論文の概要: Otago Exercises Monitoring for Older Adults by a Single IMU and
Hierarchical Machine Learning Models
- arxiv url: http://arxiv.org/abs/2310.03512v1
- Date: Thu, 5 Oct 2023 12:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 16:11:41.512954
- Title: Otago Exercises Monitoring for Older Adults by a Single IMU and
Hierarchical Machine Learning Models
- Title（参考訳）: シングルIMUと階層型機械学習モデルによる高齢者のオタゴ運動モニタリング
- Authors: Meng Shang, Lenore Dedeyne, Jolan Dupont, Laura Vercauteren, Nadjia
Amini, Laurence Lapauw, Evelien Gielen, Sabine Verschueren, Carolina Varon,
Walter De Raedt, and Bart Vanrumste
- Abstract要約: 本研究の目的は,高齢者を対象としたOtago Exercise Program(OEP)をモニタリングする,邪魔にならない,正確なシステムを構築することである。
腰に装着した慣性測定装置(IMU)を装着した高齢者のデータを収集した。
1) 深層学習モデルを用いて, 患者がOEPを実行しているか, 日常生活活動(ADL)を10分間スライディングウインドウを用いて認識するか, 2) ステージ1に基づいて6秒スライディングウインドウを用いてOEPサブクラスを認識する。
- 参考スコア（独自算出の注目度）: 1.0663633381202409
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Otago Exercise Program (OEP) is a rehabilitation program for older adults to
improve frailty, sarcopenia, and balance. Accurate monitoring of patient
involvement in OEP is challenging, as self-reports (diaries) are often
unreliable. With the development of wearable sensors, Human Activity
Recognition (HAR) systems using wearable sensors have revolutionized
healthcare. However, their usage for OEP still shows limited performance. The
objective of this study is to build an unobtrusive and accurate system to
monitor OEP for older adults. Data was collected from older adults wearing a
single waist-mounted Inertial Measurement Unit (IMU). Two datasets were
collected, one in a laboratory setting, and one at the homes of the patients. A
hierarchical system is proposed with two stages: 1) using a deep learning model
to recognize whether the patients are performing OEP or activities of daily
life (ADLs) using a 10-minute sliding window; 2) based on stage 1, using a
6-second sliding window to recognize the OEP sub-classes performed. The results
showed that in stage 1, OEP could be recognized with window-wise f1-scores over
0.95 and Intersection-over-Union (IoU) f1-scores over 0.85 for both datasets.
In stage 2, for the home scenario, four activities could be recognized with
f1-scores over 0.8: ankle plantarflexors, abdominal muscles, knee bends, and
sit-to-stand. The results showed the potential of monitoring the compliance of
OEP using a single IMU in daily life. Also, some OEP sub-classes are possible
to be recognized for further analysis.
- Abstract（参考訳）: オタゴ運動プログラム (Otago Exercise Program, OEP) は、高齢者の疲労、サルコニア、バランスを改善するためのリハビリテーションプログラムである。
OEPへの患者関与の正確なモニタリングは困難であり、自己申告(日記)は信頼できないことが多い。
ウェアラブルセンサーの開発に伴い、ウェアラブルセンサーを用いたヒューマンアクティビティ認識(HAR)システムは医療に革命をもたらした。
しかし、OEPの利用は依然として限られた性能を示している。
本研究の目的は,高齢者のためのOEPモニタリングシステムを構築することである。
imu(single waist-mounted inertial measurement unit)を装着した高齢者からデータを得た。
2つのデータセットが収集され、1つは実験室で、1つは患者の自宅で収集された。
階層システムには2つの段階がある。
1) 深層学習モデルを用いて,患者がoepを行うかどうか,又は10分間のスライディングウインドウを用いて日常生活(adls)のアクティビティを認識する。
2) ステージ1に基づいて6秒スライディングウィンドウを用いて,OEPサブクラスが実行されたことを認識した。
その結果、ステージ1では、OEPはウィンドウワイドのf1スコアが0.95以上、インターセクションオーバーユニオン(IoU)のf1スコアが0.85以上と認識できた。
ステージ2では, 足関節底屈筋, 膝屈筋, 座屈筋の4つの活動が, 0.8以上のf1スコアで認識された。
その結果, 日常生活における単一IMUを用いて, OEPのコンプライアンスを監視できる可能性が示唆された。
また、いくつかのOEPサブクラスはさらなる分析のために認識することができる。
関連論文リスト
- Validation of a new, minimally-invasive, software smartphone device to predict sleep apnea and its severity: transversal study [3.798946451618375]
閉塞性睡眠時無呼吸(OSA)は頻繁で、心臓血管の合併症や日中の過度な睡眠障害の原因となる。
スマートフォンのセンサーを使う別の方法は、診断を高めるのに役立つかもしれない。
本稿は,PSGによるスコアと比較して,スマートフォンによる信号の手動スコアリングが可能であり,正確であることを示す。
論文 参考訳（メタデータ） (2024-06-20T14:36:15Z) - A Masked Semi-Supervised Learning Approach for Otago Micro Labels Recognition [1.0663633381202409]
オタゴ運動プログラムは高齢者にとって重要なリハビリ活動であり、力とバランスを高め、転倒を防ぐことを目的としている。
既存のヒューマンアクティビティ認識システムはマクロアクティビティの持続時間に重点を置いている。
本研究は,OEPのマイクロアクティビティ認識において,このギャップを埋めることを目的とした,新しい半教師付き機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-05-21T12:00:01Z) - DS-MS-TCN: Otago Exercises Recognition with a Dual-Scale Multi-Stage
Temporal Convolutional Network [1.0981016767527207]
オタゴ・エクササイズ・プログラム(OEP)は、高齢者向けの重要なリハビリテーションイニシアチブであり、バランスと強度を高めることを目的としている。
OEP認識のためのウェアラブルセンサを用いたこれまでの取り組みは、精度と堅牢性に関して制限があった。
本研究は,地域在住高齢者の日常生活におけるOEP運動を認識するために,腰に装着した慣性測定装置(IMU)を用いて,これらの制約に対処するものである。
論文 参考訳（メタデータ） (2024-02-05T11:25:45Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Machine Learning-based Classification of Active Walking Tasks in Older
Adults using fNIRS [2.0953361712358025]
機能的近赤外分光法(fNIRS)により測定された前頭前皮質における歩行の皮質制御は、年齢、性別、認知状態、および様々な年齢関連疾患によって抑制されている。
我々は、fNIRS信号に基づいて、高齢者のアクティブウォーキングタスクを分類するための機械学習手法を用いた分類モデルを開発した。
論文 参考訳（メタデータ） (2021-02-08T03:44:24Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - A Machine Learning Early Warning System: Multicenter Validation in
Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。
Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。
機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文 参考訳（メタデータ） (2020-06-09T21:21:38Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z)
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。