論文の概要: Machine Learning Approaches to Predict and Detect Early-Onset of Digital
Dermatitis in Dairy Cows using Sensor Data
- arxiv url: http://arxiv.org/abs/2309.10010v1
- Date: Mon, 18 Sep 2023 06:08:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 18:31:10.947233
- Title: Machine Learning Approaches to Predict and Detect Early-Onset of Digital
Dermatitis in Dairy Cows using Sensor Data
- Title（参考訳）: センサデータを用いた乳牛のデジタル皮膚炎の早期発症予測のための機械学習アプローチ
- Authors: Jennifer Magana, Dinu Gavojdian, Yakir Menachem, Teddy Lazebnik, Anna
Zamansky, Amber Adams-Progar
- Abstract要約: 本研究の目的は,デジタル皮膚炎(DD)の早期発症検出のためのセンサ行動データに基づく機械学習アルゴリズムを使用することである。
提案された機械学習モデルは、乳牛のDDのモニタリングと診断を行うリアルタイム自動化ツールの開発に役立つだろう。
- 参考スコア（独自算出の注目度）: 0.7961394953489378
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The aim of this study was to employ machine learning algorithms based on
sensor behavior data for (1) early-onset detection of digital dermatitis (DD);
and (2) DD prediction in dairy cows. With the ultimate goal to set-up early
warning tools for DD prediction, which would than allow a better monitoring and
management of DD under commercial settings, resulting in a decrease of DD
prevalence and severity, while improving animal welfare. A machine learning
model that is capable of predicting and detecting digital dermatitis in cows
housed under free-stall conditions based on behavior sensor data has been
purposed and tested in this exploratory study. The model for DD detection on
day 0 of the appearance of the clinical signs has reached an accuracy of 79%,
while the model for prediction of DD 2 days prior to the appearance of the
first clinical signs has reached an accuracy of 64%. The proposed machine
learning models could help to develop a real-time automated tool for monitoring
and diagnostic of DD in lactating dairy cows, based on behavior sensor data
under conventional dairy environments. Results showed that alterations in
behavioral patterns at individual levels can be used as inputs in an early
warning system for herd management in order to detect variances in health of
individual cows.
- Abstract（参考訳）: 本研究の目的は,(1)デジタル皮膚炎(DD)の早期発症検出のためのセンサ行動データに基づく機械学習アルゴリズムと,(2)乳牛のDD予測である。
DD予測のための早期警戒ツールのセットアップを最終目標とすることで、商業的環境下でのDDの監視と管理が向上し、DDの頻度と重症度が低下し、動物福祉が改善される。
本研究は, 行動センサデータに基づいて, フリーステート状態の牛の皮膚炎を予測し, 検出できる機械学習モデルについて検討し, 実験を行った。
臨床徴候出現日の0日目のdd検出モデルは79%の精度に達し、第1臨床徴候出現の2日前のdd予測モデルは64%の精度に達している。
提案した機械学習モデルは、従来の乳牛環境下での行動センサデータに基づいて、乳牛のDDのモニタリングと診断を行うリアルタイム自動ツールの開発に役立つ。
その結果,個体レベルでの行動パターンの変化は,個体の健康状態の変動を検出するために,群集管理の早期警戒システムにおける入力として利用できることがわかった。
関連論文リスト
- Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。
この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。
ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2024-10-25T23:00:12Z) - Alzheimer's disease detection in PSG signals [2.8691549050152965]
アルツハイマー病(AD)と睡眠障害は密接に関連しており、睡眠パターンの混乱は早期ADの発症に先行することが多い。
本研究は、睡眠関連脳波(EEG)信号によるADの早期検出の可能性について検討した。
我々の主な焦点は、データ可用性に制限があるため、脳波信号の分類のための半教師付きディープラーニング技術を探ることである。
論文 参考訳（メタデータ） (2024-04-04T15:56:23Z) - 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) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - 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) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳（メタデータ） (2021-02-11T11:55:08Z) - Detecting Autism Spectrum Disorder using Machine Learning [3.2861753207533937]
逐次最小最適化(SMO)ベースのサポートベクトルマシン(SVM)分類器は、他のすべてのベンチマーク機械学習アルゴリズムより優れている。
Relief Attributesアルゴリズムは、ASDデータセットで最も重要な属性を特定するのに最適である。
論文 参考訳（メタデータ） (2020-09-30T08:33:12Z) - 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。