Fugu-MT 論文翻訳(概要): MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment

論文の概要: MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment

arxiv url: http://arxiv.org/abs/2312.13509v1
Date: Thu, 21 Dec 2023 01:09:52 GMT
ステータス: 処理完了
システム内更新日: 2023-12-22 16:16:51.995613
Title: MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment
Title（参考訳）: MR-STGN: Attention Fusion を用いたマルチ残留時空間グラフネットワークによる患者行動評価
Authors: Youssef Mourchid, Rim Slama
Abstract要約: MR-STGN(Multi-Residual Spatio Temporal Graph Network)を用いた患者行動評価の自動化手法を提案する。 MR-STGNは患者行動のダイナミクスを捉えるように設計されている。リアルタイムの患者行動スコアを正確に予測する上で,UI-PRMDデータセットの性能を示すモデルについて検討した。
参考スコア（独自算出の注目度）: 0.3626013617212666
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Accurate assessment of patient actions plays a crucial role in healthcare as it contributes significantly to disease progression monitoring and treatment effectiveness. However, traditional approaches to assess patient actions often rely on manual observation and scoring, which are subjective and time-consuming. In this paper, we propose an automated approach for patient action assessment using a Multi-Residual Spatio Temporal Graph Network (MR-STGN) that incorporates both angular and positional 3D skeletons. The MR-STGN is specifically designed to capture the spatio-temporal dynamics of patient actions. It achieves this by integrating information from multiple residual layers, with each layer extracting features at distinct levels of abstraction. Furthermore, we integrate an attention fusion mechanism into the network, which facilitates the adaptive weighting of various features. This empowers the model to concentrate on the most pertinent aspects of the patient's movements, offering precise instructions regarding specific body parts or movements that require attention. Ablation studies are conducted to analyze the impact of individual components within the proposed model. We evaluate our model on the UI-PRMD dataset demonstrating its performance in accurately predicting real-time patient action scores, surpassing state-of-the-art methods.
Abstract（参考訳）: 患者行動の正確な評価は、疾患の進行監視や治療効果に大きく貢献するため、医療において重要な役割を担っている。しかし、患者行動を評価する従来のアプローチは、しばしば手動による観察と採点に依存しており、それは主観的かつ時間を要する。本稿では,角面と位置面の両方の時間的グラフネットワーク(mr-stgn)を用いた患者行動評価の自動化手法を提案する。 MR-STGNは、患者行動の時空間的ダイナミクスを捉えるように設計されている。複数の残層から情報を統合し、各層が異なる抽象レベルで特徴を抽出することで、これを実現する。さらに,注意融合機構をネットワークに統合し,様々な特徴の適応重み付けを容易にする。これにより、モデルが患者の動きの最も適切な側面に集中し、注意を要する特定の身体部分や運動に関する正確な指示を提供する。提案モデルにおける個々の成分の影響を分析するためのアブレーション研究を行った。 ui-prmdデータセットを用いて,リアルタイム患者行動スコアを正確に予測し,その性能を示すモデルを評価した。

関連論文リスト

Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文参考訳（メタデータ） (2024-07-28T02:42:36Z)
MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。また,FODAM(First-Order difference Attention Mechanism)も提案する。
論文参考訳（メタデータ） (2024-01-01T13:52:05Z)
D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on transformer for assessment of patient physical rehabilitation [0.3626013617212666]
本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。 KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
論文参考訳（メタデータ） (2023-12-21T00:38:31Z)
On the Importance of Clinical Notes in Multi-modal Learning for EHR Data [0.0]
電子健康記録データと臨床ノートを併用することにより,患者モニタリングの予測性能が向上することが従来研究で示されている。 EHRデータと臨床ノートを組み合わせることで、最先端のEHRデータモデルよりもパフォーマンスが大幅に向上することを確認した。次に、臨床医のメモよりも、患者の状態に関するより広い文脈を含むメモのサブセットから、改善がほぼ排他的に生じることを示す分析を行った。
論文参考訳（メタデータ） (2022-12-06T15:18:57Z)
COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文参考訳（メタデータ） (2022-08-05T14:32:57Z)
Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文参考訳（メタデータ） (2022-01-26T17:54:14Z)
In-Bed Human Pose Estimation from Unseen and Privacy-Preserving Image Domains [22.92165116962952]
ベッド内の人間の姿勢推定は、医療状況の評価において潜在的な価値を持つ重要な健康関連指標を提供する。本稿では,マルチモーダル条件変分オートエンコーダ(MC-VAE)を提案する。本研究は, 身体位置が利用可能なモダリティから効果的に認識できることを示し, ベースラインモデルと同等の結果が得られることを示した。
論文参考訳（メタデータ） (2021-11-30T04:56:16Z)
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)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。