論文の概要: 1D-Convolutional transformer for Parkinson disease diagnosis from gait
- arxiv url: http://arxiv.org/abs/2311.03177v1
- Date: Mon, 6 Nov 2023 15:17:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 14:00:41.860857
- Title: 1D-Convolutional transformer for Parkinson disease diagnosis from gait
- Title(参考訳): 歩行によるパーキンソン病診断のための1D-Convolutional Transformer
- Authors: Safwen Naimi, Wassim Bouachir and Guillaume-Alexandre Bilodeau
- Abstract要約: 本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。
本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。
提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
- 参考スコア(独自算出の注目度): 7.213855322671065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an efficient deep neural network model for diagnosing
Parkinson's disease from gait. More specifically, we introduce a hybrid
ConvNet-Transformer architecture to accurately diagnose the disease by
detecting the severity stage. The proposed architecture exploits the strengths
of both Convolutional Neural Networks and Transformers in a single end-to-end
model, where the former is able to extract relevant local features from
Vertical Ground Reaction Force (VGRF) signal, while the latter allows to
capture long-term spatio-temporal dependencies in data. In this manner, our
hybrid architecture achieves an improved performance compared to using either
models individually. Our experimental results show that our approach is
effective for detecting the different stages of Parkinson's disease from gait
data, with a final accuracy of 88%, outperforming other state-of-the-art AI
methods on the Physionet gait dataset. Moreover, our method can be generalized
and adapted for other classification problems to jointly address the feature
relevance and spatio-temporal dependency problems in 1D signals. Our source
code and pre-trained models are publicly available at
https://github.com/SafwenNaimi/1D-Convolutional-transformer-for-Parkinson-disease-diagnosis-from-gai t.
- Abstract(参考訳): 本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。
より具体的には、重度ステージを検出して病気を正確に診断するハイブリッド型ConvNet-Transformerアーキテクチャを提案する。
提案するアーキテクチャは、畳み込みニューラルネットワークとトランスフォーマーの両方の強みを単一のエンドツーエンドモデルで活用し、前者は垂直地反力(vgrf)信号から関連する局所的特徴を抽出でき、後者はデータの長期的時空間的依存性を捉えることができる。
このように、ハイブリッドアーキテクチャは、どちらのモデルも個別に使用するよりもパフォーマンスが向上します。
提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であり,最終精度は88%であり,他の最先端AI手法よりも優れていた。
さらに,本手法を他の分類問題に適用し,特徴の関連性や時空間依存性の問題に一元的に対処することができる。
ソースコードと事前学習されたモデルは、https://github.com/SafwenNaimi/1D-Convolutional-transformer-for-Parkinson-disease-diagnosis-from-gai tで公開されています。
関連論文リスト
- Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。
我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。
提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
論文 参考訳(メタデータ) (2024-04-09T15:19:13Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - HCT: Hybrid Convnet-Transformer for Parkinson's disease detection and
severity prediction from gait [7.213855322671065]
歩行データからパーキンソン病(PD)を検出・発生するための新しい深層学習法を提案する。
我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワーク(ConvNets)とトランスフォーマーの両方の長所を利用して、PDを正確に検出し、重大度ステージを決定する。
PD検出精度は97%,重度ステージング精度は87%であった。
論文 参考訳(メタデータ) (2023-10-26T00:43:15Z) - 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) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's
Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。
その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
論文 参考訳(メタデータ) (2023-08-14T20:06:19Z) - 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) - A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics [1.382077805849933]
提案モデルは,時系列信号の特性を適応させるために,畳み込みニューラルネットワーク(CNN)から短期記憶(LSTM)へと変換される。
実験結果から,提案モデルでは,パラメータや操作がはるかに少ない複数の評価指標に対して,高品質な診断結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-02-02T09:49:07Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z)
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。