論文の概要: Time Series Classification for Detecting Parkinson's Disease from Wrist Motions

• arxiv url: http://arxiv.org/abs/2304.11265v1
• Date: Fri, 21 Apr 2023 22:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 19:36:53.745003
• Title: Time Series Classification for Detecting Parkinson's Disease from Wrist Motions
• Title（参考訳）: 手首運動からパーキンソン病を検出する時系列分類
• Authors: Cedric Doni\'e, Neha Das, Satoshi Endo, Sandra Hirche
• Abstract要約: パーキンソン病症状モニタリングのためのインセプションタイムとRandOm Convolutional KErnel Transform (ROCKET) について検討した。 InceptionTimeの高学習能力は複雑なムーブメントパターンのモデリングに向いており、ROCKETは小さなデータセットに適している。 ROCKETはジスキネジアに良いが、InceptionTimeは振れやブラジキネシアにやや良いが、性能はより高い。
• 参考スコア（独自算出の注目度）: 6.604255432427447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parkinson's disease (PD) is a neurodegenerative disease with frequently changing motor symptoms where continuous symptom monitoring enables more targeted treatment. Classical time series classification (TSC) and deep learning techniques have limited performance for PD symptom monitoring using wearable accelerometer data because PD movement patterns are complex, but datasets are small. We investigate InceptionTime and RandOm Convolutional KErnel Transform (ROCKET) because they are state-of-the-art for TSC and promising for PD symptom monitoring: InceptionTime's high learning capacity is suited to modeling complex movement patterns while ROCKET is suited to small datasets. We used a random search to find the highest-scoring InceptionTime architecture and compared it to ROCKET with a ridge classifier and a multi-layer perceptron (MLP) on wrist motions of PD patients. We find that all approaches are suitable for estimating tremor severity and bradykinesia presence but struggle with detecting dyskinesia. ROCKET performs better for dyskinesia, whereas InceptionTime is slightly better for tremor and bradykinesia but has much higher variability in performance. Both outperform the MLP. In conclusion, both InceptionTime and ROCKET are suitable for continuous symptom monitoring, with the choice depending on the symptom of interest and desired robustness.
• Abstract（参考訳）: パーキンソン病(英: Parkinson's disease, PD)は、神経変性疾患の一つで、頻回に変化する運動性症状である。 古典的時系列分類(TSC)とディープラーニング技術は、PD運動パターンが複雑であるがデータセットが小さいため、ウェアラブル加速度計データを用いたPD症状モニタリングの性能が制限されている。 InceptionTime と RandOm Convolutional KErnel Transform (ROCKET) は TSC の最先端技術であり PD 症状モニタリングに有望であるため検討する: InceptionTime の高次学習能力は複雑な動きパターンをモデル化するのに適し、ROCKET は小さなデータセットに適している。 我々はランダムに探索を行い,最高レベルのインセプションタイムアーキテクチャを探索し,pd患者の手首動作について,尾根分類器と多層パーセプトロン(mlp)を用いてロケットと比較した。 いずれのアプローチも震度とブラジキネジアの存在を推定するのに適しているが,ジスキネジアの検出に苦慮している。 ROCKETはジスキネジアに良いが、InceptionTimeは振れやブラジキネシアにやや良いが、性能はより高い。 MLPより優れている。 結論として,インセプションタイムとロケットは連続的な症状モニタリングに適しており,興味のある症状や望ましいロバスト性によって選択される。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals [0.0]
  本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。 変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
  論文  参考訳（メタデータ） (2023-05-07T16:43:52Z)
• Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
  本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。 提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T02:54:34Z)
• Pose-based Tremor Classification for Parkinson's Disease Diagnosis from Video [13.6403722052414]
  パーキンソン病(英: Parkinson's disease、PD)は、様々な運動障害症状を引き起こす進行性神経変性疾患である。 パーキンソンの震動はPDの強い一般化性を示す最も主要な症状の1つである。 本稿では,SPAPNetを提案する。SPAPNetは,PD警告サインとして,低コストのPT分類結果を提供するための入力として,カメラに面する人間の動作の,コンシューマグレードの非侵襲的なビデオ記録のみを必要とする。
  論文  参考訳（メタデータ） (2022-07-14T11:32:42Z)
• Exploring Motion Boundaries in an End-to-End Network for Vision-based Parkinson's Severity Assessment [2.359557447960552]
  パーキンソン病の重症度を2つの重要な構成要素である手の動きと歩行で測定するためのエンドツーエンドのディープラーニングフレームワークを提示する。 本手法は,テンポラルセグメンテーションフレームワークで訓練された膨らんだ3次元cnnを用いて,映像データの時間構造と時間構造を学習する。 本研究では,25名のPD患者を対象に,手作業および歩行作業における72.3%,77.1%の上位1位精度のデータセットを用いて,提案手法を評価した。
  論文  参考訳（メタデータ） (2020-12-17T19:20:17Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。