論文の概要: ChronoPscychosis: Temporal Segmentation and Its Impact on Schizophrenia
Classification Using Motor Activity Data
- arxiv url: http://arxiv.org/abs/2311.12590v1
- Date: Tue, 21 Nov 2023 13:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 00:42:13.906371
- Title: ChronoPscychosis: Temporal Segmentation and Its Impact on Schizophrenia
Classification Using Motor Activity Data
- Title（参考訳）: ChronoPscychosis : 経時的分節化と運動活動データを用いた統合失調症分類への影響
- Authors: Pradnya Rajendra Jadhav, Raviprasad Aduri
- Abstract要約: 統合失調症患者のカテゴリー化を促進するための鍵として,運動活動データ中の時間的パターンについて検討した。
このデータセットは、各参加者に対して平均12.7日連続で収集された1分間の運動活動の測定を含んでいる。
これらの時間セグメントに16の統計的特徴を採用し、より深い洞察を得るために7つの機械学習モデルでそれらをトレーニングします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Schizophrenia is a complicated mental illness characterized by a broad
spectrum of symptoms affecting cognition, behavior, and emotion. The task of
identifying reliable biomarkers to classify Schizophrenia accurately continues
to be a challenge in the field of psychiatry. We investigate the temporal
patterns within the motor activity data as a potential key to enhancing the
categorization of individuals with Schizophrenia, using the dataset having
motor activity recordings of 22 Schizophrenia patients and 32 control subjects.
The dataset contains per-minute motor activity measurements collected for an
average of 12.7 days in a row for each participant. We dissect each day into
segments (Twelve, Eight, six, four, three, and two parts) and evaluate their
impact on classification. We employ sixteen statistical features within these
temporal segments and train them on Seven machine learning models to get deeper
insights. LightGBM model outperforms the other six models. Our results indicate
that the temporal segmentation significantly improves the classification, with
AUC-ROC = 0.93, F1 score = 0.84( LightGBM- without any segmentation) and
AUC-ROC = 0.98, F1 score = 0.93( LightGBM- with segmentation). Distinguishing
between diurnal and nocturnal segments amplifies the differences between
Schizophrenia patients and controls. However, further subdivisions into smaller
time segments do not affect the AUC- ROC significantly. Morning, afternoon,
evening, and night partitioning gives similar classification performance to
day-night partitioning. These findings are valuable as they indicate that
extensive temporal classification beyond distinguishing between day and night
does not yield substantial results, offering an efficient approach for further
classification, early diagnosis, and monitoring of Schizophrenia.
- Abstract（参考訳）: 統合失調症は複雑な精神疾患であり、認知、行動、感情に影響を及ぼす幅広い症状が特徴である。
統合失調症を正確に分類する信頼できるバイオマーカーを特定する仕事は、精神医学の分野では依然として課題となっている。
統合失調症患者22名、対照被験者32名の運動行動記録を有するデータセットを用いて、運動活動データ内の時間パターンを統合失調症患者の分類強化の鍵として検討した。
このデータセットは、各参加者に対して平均12.7日連続で収集された1分間の運動活動の測定を含んでいる。
私たちは毎日,12,8,6,4,3,2の区分に分け,その分類への影響を評価する。
これらの時間セグメントに16の統計的特徴を採用し、より深い洞察を得るために7つの機械学習モデルでそれらをトレーニングします。
LightGBMモデルは、他の6モデルより優れている。
AUC-ROC = 0.93, F1 score = 0.84(LightGBM-) および AUC-ROC = 0.98, F1 score = 0.93(LightGBM-) を用いて, 時間的セグメンテーションは分類を著しく改善することを示した。
昼行と夜行の区別は統合失調症患者とコントロールの差異を増幅する。
しかし、より小さな時間セグメントへの分割はAUC-ROCに大きな影響を与えない。
朝、午後、夜、夜のパーティショニングは、昼夜のパーティショニングと同様の分類パフォーマンスを提供する。
これらの発見は、昼と夜を区別する以上の広範囲の時間的分類は実質的な結果をもたらしず、統合失調症のさらなる分類、早期診断、モニタリングのための効率的なアプローチを提供するため、有用である。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
本研究は、統合失調症患者の分類のための深層学習手法を紹介する。
我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。
本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
論文 参考訳（メタデータ） (2024-06-18T14:55:41Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Automated speech- and text-based classification of neuropsychiatric
conditions in a multidiagnostic setting [2.0972270756982536]
音声パターンは神経精神疾患の診断マーカーとして認識されている。
我々は,機械学習モデルと高度なトランスフォーマーモデルの性能を,二進分類と多進分類の両方で検証した。
以上の結果から,二項分類で訓練したモデルは,臨床と非臨床の集団間の一般的な差異のマーカーに依存することが示唆された。
論文 参考訳（メタデータ） (2023-01-13T08:24:21Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳（メタデータ） (2022-11-08T17:29:40Z) - Diagnosis of Schizophrenia: A comprehensive evaluation [1.174402845822043]
サポートベクターマシン(SVM)、ランダムフォレスト、カーネルリッジ回帰、ランダム化されたニューラルネットワークに基づいて、異なる分類アルゴリズムを評価した。
評価の結果,他の分類モデルと比較して,ガウスカーネルを用いたSVMベースのモデルの方が優れていることがわかった。
データモダリティの面では,灰白質と白質を個別に比較すると,灰白質と白質との結合性能は良好であった。
論文 参考訳（メタデータ） (2022-03-22T10:55:51Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - Whole MILC: generalizing learned dynamics across tasks, datasets, and
populations [14.99255412075299]
障害特異的力学の理論は、疾患の早期診断と理解に不可欠である。
本稿では,コンテキストに局所的な相互シーケンス情報を強化する,教師付きトレーニングモデルを提案する。
統合失調症 (i) とアルツハイマー病 (iii) の3つの異なる疾患と4つの異なる研究について本モデルを検証した。
論文 参考訳（メタデータ） (2020-07-29T21:07:30Z) - Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and
Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。
ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文 参考訳（メタデータ） (2020-02-14T17:28:16Z)
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。