論文の概要: LSTM-CNN: An efficient diagnostic network for Parkinson's disease
utilizing dynamic handwriting analysis
- arxiv url: http://arxiv.org/abs/2311.11756v1
- Date: Mon, 20 Nov 2023 13:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 18:53:01.507592
- Title: LSTM-CNN: An efficient diagnostic network for Parkinson's disease
utilizing dynamic handwriting analysis
- Title（参考訳）: LSTM-CNN : 動的手書き解析を用いたパーキンソン病の効率的な診断ネットワーク
- Authors: Xuechao Wang, Junqing Huang, Sven Nomm, Marianna Chatzakou, Kadri
Medijainen, Aaro Toomela, Michael Ruzhansky
- Abstract要約: 我々は,患者の動的手書き信号の特徴的な手書きパターンを分析するために,コンパクトで効率的なネットワークアーキテクチャを設計する。
提案したネットワークは、長期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)の両方の利点をフル活用したハイブリッドディープラーニングアプローチに基づいている。
- 参考スコア（独自算出の注目度）: 2.1063903985563988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background and objectives: Dynamic handwriting analysis, due to its
non-invasive and readily accessible nature, has recently emerged as a vital
adjunctive method for the early diagnosis of Parkinson's disease. In this
study, we design a compact and efficient network architecture to analyse the
distinctive handwriting patterns of patients' dynamic handwriting signals,
thereby providing an objective identification for the Parkinson's disease
diagnosis.
Methods: The proposed network is based on a hybrid deep learning approach
that fully leverages the advantages of both long short-term memory (LSTM) and
convolutional neural networks (CNNs). Specifically, the LSTM block is adopted
to extract the time-varying features, while the CNN-based block is implemented
using one-dimensional convolution for low computational cost. Moreover, the
hybrid model architecture is continuously refined under ablation studies for
superior performance. Finally, we evaluate the proposed method with its
generalization under a five-fold cross-validation, which validates its
efficiency and robustness.
Results: The proposed network demonstrates its versatility by achieving
impressive classification accuracies on both our new DraWritePD dataset
($96.2\%$) and the well-established PaHaW dataset ($90.7\%$). Moreover, the
network architecture also stands out for its excellent lightweight design,
occupying a mere $0.084$M of parameters, with a total of only $0.59$M
floating-point operations. It also exhibits near real-time CPU inference
performance, with inference times ranging from $0.106$ to $0.220$s.
Conclusions: We present a series of experiments with extensive analysis,
which systematically demonstrate the effectiveness and efficiency of the
proposed hybrid neural network in extracting distinctive handwriting patterns
for precise diagnosis of Parkinson's disease.
- Abstract（参考訳）: 背景と目的: 動的手書き解析は,非侵襲的かつ容易にアクセス可能な性質のため,パーキンソン病の早期診断に不可欠な補助的手法として最近出現した。
本研究では,患者の動的手書き信号の特徴的な手書きパターンを分析するための,コンパクトで効率的なネットワークアーキテクチャを設計し,パーキンソン病診断の客観的同定を行う。
方法:提案するネットワークは,長期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)の両方の利点をフル活用したハイブリッドディープラーニングアプローチに基づいている。
具体的には、LSTMブロックを用いて時間変化の特徴を抽出し、CNNベースのブロックは計算コストの低い1次元畳み込みを用いて実装する。
さらに, ハイブリットモデルアーキテクチャは, 優れた性能を実現するため, アブレーション研究により継続的に洗練されている。
最後に,提案手法を5倍のクロスバリデーションで一般化し,その効率性とロバスト性を検証した。
結果: 提案したネットワークは,新たなDraWritePDデータセット(96.2\%$)と,確立されたPaHaWデータセット(90.7\%$)の両方に対して,優れた分類精度を達成して,その汎用性を示す。
さらに、ネットワークアーキテクチャは、わずか0.084$Mのパラメータを占有し、合計0.59$Mの浮動小数点演算しか持たない、優れた軽量設計でも際立っている。
また、ほぼリアルタイムのCPU推論性能を示し、推論時間は0.106$から0.220$sである。
結論: パーキンソン病の診断に際し, 特異な筆跡パターンを抽出し, 提案するハイブリッドニューラルネットワークの有効性と効率を体系的に実証する, 広範な解析を用いた一連の実験を行った。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
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。
論文 参考訳（メタデータ） (2023-11-06T15:17:17Z) - 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) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - 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) - MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type
Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。
本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。
MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文 参考訳（メタデータ） (2022-11-09T01:07:20Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z) - A complex network approach to time series analysis with application in
diagnosis of neuromuscular disorders [1.9659095632676098]
本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。
この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。
結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
論文 参考訳（メタデータ） (2021-08-16T06:44:48Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳（メタデータ） (2021-03-22T05:19:40Z) - 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)
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。