Fugu-MT 論文翻訳(概要): Predicting Three Types of Freezing of Gait Events Using Deep Learning Models

論文の概要: Predicting Three Types of Freezing of Gait Events Using Deep Learning Models

arxiv url: http://arxiv.org/abs/2310.06322v1
Date: Tue, 10 Oct 2023 05:35:02 GMT
ステータス: 処理完了
システム内更新日: 2023-10-11 20:34:35.451936
Title: Predicting Three Types of Freezing of Gait Events Using Deep Learning Models
Title（参考訳）: ディープラーニングモデルを用いた歩行事象の3種類の凍結予測
Authors: Wen Tao Mo, Jonathan H. Chan
Abstract要約: 歩行の凍結はパーキンソン病の症状であり、歩行中に歩いたり向いたりできない患者を表在的に引き起こす。機械学習を利用した現在の予測モデルは、時系列データに基づく歩行予測の凍結において高い感度と特異性を達成する。変換器エンコーダアーキテクチャと双方向LSTMレイヤと異なる特徴セットを用いて、様々なディープラーニングモデルを構築し、歩行イベントの3つの異なる種類の凍結を予測する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Freezing of gait is a Parkinson's Disease symptom that episodically inflicts a patient with the inability to step or turn while walking. While medical experts have discovered various triggers and alleviating actions for freezing of gait, the underlying causes and prediction models are still being explored today. Current freezing of gait prediction models that utilize machine learning achieve high sensitivity and specificity in freezing of gait predictions based on time-series data; however, these models lack specifications on the type of freezing of gait events. We develop various deep learning models using the transformer encoder architecture plus Bidirectional LSTM layers and different feature sets to predict the three different types of freezing of gait events. The best performing model achieves a score of 0.427 on testing data, which would rank top 5 in Kaggle's Freezing of Gait prediction competition, hosted by THE MICHAEL J. FOX FOUNDATION. However, we also recognize overfitting in training data that could be potentially improved through pseudo labelling on additional data and model architecture simplification.
Abstract（参考訳）: 歩行の凍結はパーキンソン病の症状であり、歩行中にステップやターンができない患者をエピソドミー的に引き起こす。医療専門家は歩行を凍結させる様々なトリガーや緩和作用を発見したが、根底にある原因や予測モデルはまだ調査中である。機械学習を利用した現在の歩行予測モデルの凍結は、時系列データに基づく歩行予測の凍結の感度と特異性を達成するが、これらのモデルは歩行イベントの凍結のタイプに関する仕様を欠いている。変換器エンコーダアーキテクチャと双方向LSTMレイヤと異なる特徴セットを用いて、様々なディープラーニングモデルを構築し、歩行イベントの3種類の凍結を予測する。最高のパフォーマンスモデルはテストデータで0.427点を獲得し、これはMICHAEL J. FOX FOUNDATIONが主催するKaggleのフリーズ・オブ・ゲイト予測コンテストのトップ5にランクインする。しかし、追加データとモデルアーキテクチャの単純化による擬似ラベリングによって潜在的に改善される可能性のあるトレーニングデータの過剰フィットも認識しています。

関連論文リスト

Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。タイムリーな介入のために5分間の予測ウィンドウが選択された。本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
論文参考訳（メタデータ） (2024-10-30T23:24:28Z)
Benchmarking Skeleton-based Motion Encoder Models for Clinical Applications: Estimating Parkinson's Disease Severity in Walking Sequences [3.650839294933459]
PD患者の歩行パターンを解析するための大規模人間の動作データセットを訓練した一般人動作エンコーダ。運動障害社会の予測能力について,6つの事前訓練されたヒト運動エンコーダモデルの評価を行った。
論文参考訳（メタデータ） (2024-05-28T04:29:10Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文参考訳（メタデータ） (2023-08-12T13:17:09Z)
Freezing of Gait Prediction From Accelerometer Data Using a Simple 1D-Convolutional Neural Network -- 8th Place Solution for Kaggle's Parkinson's Freezing of Gait Prediction Competition [0.0]
パーキンソン病(PD)患者における歩行凍結(FOG)は一般的な運動症状である本研究では,加速度センサデータからFOGイベントを検出するための,単純な1次元畳み込みニューラルネットワークを提案する。モデルがパーキンソンズ・フリーズ・オブ・ゲイト予測大会で1379チーム中8位にランクインした。
論文参考訳（メタデータ） (2023-07-07T09:28:04Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文参考訳（メタデータ） (2021-10-09T13:56:48Z)
Curse of Small Sample Size in Forecasting of the Active Cases in COVID-19 Outbreak [0.0]
新型コロナウイルス(COVID-19)のパンデミックでは、感染者数や今後の流行を予想する試みが多数行われている。しかし、信頼性の高い方法では、新型コロナウイルス(COVID-19)の根本的特徴の中期的・長期的進化を許容できる精度で予測することができない。本稿では,この予測問題における機械学習モデルの故障について説明する。
論文参考訳（メタデータ） (2020-11-06T23:13:34Z)
Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文参考訳（メタデータ） (2020-08-01T10:36:27Z)

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。