論文の概要: Evaluation of self-supervised pre-training for automatic infant movement classification using wearable movement sensors

• arxiv url: http://arxiv.org/abs/2305.09366v1
• Date: Tue, 16 May 2023 11:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 15:18:31.112025
• Title: Evaluation of self-supervised pre-training for automatic infant movement classification using wearable movement sensors
• Title（参考訳）: ウェアラブル運動センサを用いた自動幼児運動分類のための自己指導型事前学習の評価
• Authors: Einari Vaaras, Manu Airaksinen, Sampsa Vanhatalo, Okko R\"as\"anen
• Abstract要約: 乳幼児ウェアラブルMAIJUは、乳幼児の運動性能を病院外環境で自動的に評価する手段を提供する。 そこで本研究では,MAIJU録音の分析に用いる分類器の性能向上について検討した。
• 参考スコア（独自算出の注目度）: 2.995873287514728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recently-developed infant wearable MAIJU provides a means to automatically evaluate infants' motor performance in an objective and scalable manner in out-of-hospital settings. This information could be used for developmental research and to support clinical decision-making, such as detection of developmental problems and guiding of their therapeutic interventions. MAIJU-based analyses rely fully on the classification of infant's posture and movement; it is hence essential to study ways to increase the accuracy of such classifications, aiming to increase the reliability and robustness of the automated analysis. Here, we investigated how self-supervised pre-training improves performance of the classifiers used for analyzing MAIJU recordings, and we studied whether performance of the classifier models is affected by context-selective quality-screening of pre-training data to exclude periods of little infant movement or with missing sensors. Our experiments show that i) pre-training the classifier with unlabeled data leads to a robust accuracy increase of subsequent classification models, and ii) selecting context-relevant pre-training data leads to substantial further improvements in the classifier performance.
• Abstract（参考訳）: 最近開発された乳幼児ウェアラブルMAIJUは、幼児の運動能力を自動的に客観的かつスケーラブルに評価する手段を提供する。 この情報は、発達研究や、発達障害の検出や治療介入の指導など、臨床的な意思決定を支援するために使用できる。 MAIJUに基づく分析は,幼児の姿勢と運動の分類に完全に依存しており,自動分析の信頼性と堅牢性を高めるために,これらの分類の精度を高める方法を研究することが不可欠である。 そこで本研究では, 自己教師付き事前学習が, マイジュー記録解析に用いる分類器の性能をいかに向上させるかを検討した。 私たちの実験は 一 ラベルのないデータによる分類器の事前訓練は、その後の分類モデルの堅牢な精度向上に繋がる。 二 コンテキスト関連事前学習データの選択は、分類器の性能を更に向上させる。

関連論文リスト

• Electroencephalogram Emotion Recognition via AUC Maximization [0.0]
  不均衡データセットは神経科学、認知科学、医学診断などの分野で大きな課題を提起する。 本研究は,DEAPデータセットにおけるライキングラベルを例として,イシュークラスの不均衡に対処する。
  論文  参考訳（メタデータ） (2024-08-16T19:08:27Z)
• Vision-language models for decoding provider attention during neonatal resuscitation [33.7054351451505]
  我々は、プロバイダがセマンティッククラスに目を向けるようにデコードできる、自動化されたリアルタイムなディープラーニングアプローチを導入する。 私たちのパイプラインは、トレーニングなしで視線目標を特定する際に、91%の分類精度を達成しています。 当社のアプローチでは,既存のインフラストラクチャとシームレスに統合したスケーラブルなソリューションを,データスカースガゼ分析に提供しています。
  論文  参考訳（メタデータ） (2024-04-01T16:09:12Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• First steps towards quantum machine learning applied to the classification of event-related potentials [68.8204255655161]
  低情報伝達速度は、臨床応用のための非侵襲脳波(EEG)に基づく脳-コンピュータインターフェースの主要なボトルネックである。 本研究では,量子化支援ベクトル分類器(QSVC)の性能について検討する。 QSVCのトレーニング(予測)精度は83.17 (50.25) %であった。
  論文  参考訳（メタデータ） (2023-02-06T09:43:25Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Classification of fetal compromise during labour: signal processing and feature engineering of the cardiotocograph [0.0]
  本研究は,臨床専門知識とシステム制御理論に基づく新しいCTG機能を開発する。 特徴は、胎児の妥協を識別する上での有効性を評価するために、機械学習モデルで評価される。 ARMAは胎児の妥協を検知する主要な特徴にランク付けされている。
  論文  参考訳（メタデータ） (2021-10-31T15:02:14Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。