論文の概要: Leveraging Unlabelled Data in Multiple-Instance Learning Problems for
Improved Detection of Parkinsonian Tremor in Free-Living Conditions
- arxiv url: http://arxiv.org/abs/2305.00249v1
- Date: Sat, 29 Apr 2023 12:25:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:23:13.629639
- Title: Leveraging Unlabelled Data in Multiple-Instance Learning Problems for
Improved Detection of Parkinsonian Tremor in Free-Living Conditions
- Title（参考訳）: 自由生活環境におけるパーキンソン震検出改善のための複数事例学習問題における非競合データの活用
- Authors: Alexandros Papadopoulos, Anastasios Delopoulos
- Abstract要約: 本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。
本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
- 参考スコア（独自算出の注目度）: 80.88681952022479
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven approaches for remote detection of Parkinson's Disease and its
motor symptoms have proliferated in recent years, owing to the potential
clinical benefits of early diagnosis. The holy grail of such approaches is the
free-living scenario, in which data are collected continuously and
unobtrusively during every day life. However, obtaining fine-grained
ground-truth and remaining unobtrusive is a contradiction and therefore, the
problem is usually addressed via multiple-instance learning. Yet for large
scale studies, obtaining even the necessary coarse ground-truth is not trivial,
as a complete neurological evaluation is required. In contrast, large scale
collection of data without any ground-truth is much easier. Nevertheless,
utilizing unlabelled data in a multiple-instance setting is not
straightforward, as the topic has received very little research attention. Here
we try to fill this gap by introducing a new method for combining
semi-supervised with multiple-instance learning. Our approach builds on the
Virtual Adversarial Training principle, a state-of-the-art approach for regular
semi-supervised learning, which we adapt and modify appropriately for the
multiple-instance setting. We first establish the validity of the proposed
approach through proof-of-concept experiments on synthetic problems generated
from two well-known benchmark datasets. We then move on to the actual task of
detecting PD tremor from hand acceleration signals collected in-the-wild, but
in the presence of additional completely unlabelled data. We show that by
leveraging the unlabelled data of 454 subjects we can achieve large performance
gains (up to 9% increase in F1-score) in per-subject tremor detection for a
cohort of 45 subjects with known tremor ground-truth.
- Abstract（参考訳）: パーキンソン病とその運動症状を遠隔で検出するためのデータ駆動アプローチは、早期診断の潜在的な臨床効果のために近年普及している。
このようなアプローチの聖杯は、データが日々の生活の中で継続的に無害に収集される自由生活のシナリオである。
しかし, 微粒な接地構造と, 残りは邪魔にならないことが矛盾しているため, マルチスタンス学習によって問題に対処することが普通である。
しかし、大規模研究では、完全な神経学的評価が必要であるため、必要な粗い地面でも得ることは自明ではない。
対照的に、根拠のない大規模なデータ収集はずっと簡単です。
しかし、このトピックは研究の注目をほとんど受けていないため、複数インスタンス設定での非競合データの利用は簡単ではない。
本稿では,このギャップを補うために,半教師付き学習と複数インスタンス学習を組み合わせた新しい手法を提案する。
本手法は,通常の半教師あり学習における最先端のアプローチである仮想適応学習原理に基づいており,複数インスタンス設定に適応し,適切な修正を行う。
まず,2つのよく知られたベンチマークデータセットから生成した合成問題に対する概念実証実験により,提案手法の有効性を検証した。
次に, 完全にラベルが付かないデータが存在する場合, 手動加速度信号からpd振れを検知する実際のタスクに進む。
その結果,454名の被験者の非ラベルデータを利用することで,震動が知られている45名のコーホートに対して,サブジェクト毎の震動検出において,高い性能向上(最大9%のf1-score増加)が達成できることがわかった。
関連論文リスト
- From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion [0.0]
バイオメディカル分野における限られたサンプルの下でのクラスインクリメンタル学習手法を提案する。
提案手法は,最先端の手法を最大53.54%の精度で上回り,最適性能を実現する。
論文 参考訳（メタデータ） (2024-09-12T05:22:45Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Time-dependent Iterative Imputation for Multivariate Longitudinal
Clinical Data [0.0]
Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。
500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
論文 参考訳（メタデータ） (2023-04-16T16:10:49Z) - Undersampling and Cumulative Class Re-decision Methods to Improve
Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。
前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。
本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文 参考訳（メタデータ） (2023-02-07T03:14:00Z) - MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。
本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。
この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
論文 参考訳（メタデータ） (2022-09-26T12:04:49Z) - Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。
半教師付き長尾認識という新しい認識設定を提案する。
2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
論文 参考訳（メタデータ） (2021-05-01T00:43:38Z) - Hetero-Modal Learning and Expansive Consistency Constraints for
Semi-Supervised Detection from Multi-Sequence Data [17.61150090710327]
MTHDは、オブジェクトセンターとサイズのソフトアウトプットに妥協することなく平均教師アプローチを定式化します。
MTHDは、幾何変換とランダムシーケンスの組み合わせを含む、拡張的な一貫性の制約を取り入れている。
最大MR病変データセットを用いた肝病変検出におけるMTHDのトレーニングと評価(5千以上の患者1099名)。
論文 参考訳（メタデータ） (2021-03-24T03:52:06Z) - 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)
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。