論文の概要: Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems

• arxiv url: http://arxiv.org/abs/2401.10794v1
• Date: Fri, 19 Jan 2024 16:26:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 15:23:25.199814
• Title: Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems
• Title（参考訳）: アクティビティアウェア動的健康モニタリングシステムによる深層強化学習
• Authors: Ziqiaing Ye, Yulan Gao, Yue Xiao, Zehui Xiong and Dusit Niyato
• Abstract要約: 既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
• 参考スコア（独自算出の注目度）: 69.41229290253605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In smart healthcare, health monitoring utilizes diverse tools and technologies to analyze patients' real-time biosignal data, enabling immediate actions and interventions. Existing monitoring approaches were designed on the premise that medical devices track several health metrics concurrently, tailored to their designated functional scope. This means that they report all relevant health values within that scope, which can result in excess resource use and the gathering of extraneous data due to monitoring irrelevant health metrics. In this context, we propose Dynamic Activity-Aware Health Monitoring strategy (DActAHM) for striking a balance between optimal monitoring performance and cost efficiency, a novel framework based on Deep Reinforcement Learning (DRL) and SlowFast Model to ensure precise monitoring based on users' activities. Specifically, with the SlowFast Model, DActAHM efficiently identifies individual activities and captures these results for enhanced processing. Subsequently, DActAHM refines health metric monitoring in response to the identified activity by incorporating a DRL framework. Extensive experiments comparing DActAHM against three state-of-the-art approaches demonstrate it achieves 27.3% higher gain than the best-performing baseline that fixes monitoring actions over timeline.
• Abstract（参考訳）: スマートヘルスケアでは、さまざまなツールや技術を使って患者のリアルタイムな生体信号データを分析し、即時行動と介入を可能にする。 既存のモニタリングアプローチは、医療機器がいくつかの健康指標を同時に追跡し、指定された機能範囲に合わせて設計されている。 これは、その範囲内で関連するすべての健康値を報告し、無関係な健康指標の監視による過剰なリソース使用と外部データの収集をもたらす可能性があることを意味する。 そこで本稿では,ユーザ活動に基づく正確なモニタリングを確実にするための,DRL(Deep Reinforcement Learning)とSlowFast Model(SlowFast Model)に基づく新しいフレームワークである,最適なモニタリング性能とコスト効率のバランスを打つための動的アクティビティ意識型ヘルスモニタリング戦略(DActAHM)を提案する。 特に、slowfastモデルでは、dactahmは個々のアクティビティを効率的に識別し、これらの結果をキャプチャして強化処理を行う。 その後、DActAHMはDRLフレームワークを組み込むことにより、特定された活動に応答して健康指標モニタリングを洗練する。 DActAHMと最先端の3つのアプローチを比較した大規模な実験は、タイムライン上の監視動作を修正する最高のパフォーマンスのベースラインよりも27.3%向上したことを示している。

関連論文リスト

• Graph-Augmented LLMs for Personalized Health Insights: A Case Study in Sleep Analysis [2.303486126296845]
  大規模言語モデル(LLM)は、インタラクティブなヘルスアドバイスを提供する上で、有望であることを示している。 Retrieval-Augmented Generation (RAG) やファインチューニングのような従来の手法は、複雑で多次元で時間的に関係のあるデータを完全に活用できないことが多い。 本稿では,健康意識のパーソナライズと明確性を高めるために,グラフ拡張LDMフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T01:22:54Z)
• DrM: Mastering Visual Reinforcement Learning through Dormant Ratio Minimization [43.60484692738197]
  ビジュアル強化学習は、継続的な制御タスクにおいて有望である。 現在のアルゴリズムは、パフォーマンスのあらゆる面において、いまだに満足できない。 DrMは、ドッグドメインとマニピュレータドメインの両方のタスクを一貫して解決する最初のモデルフリーアルゴリズムである。
  論文  参考訳（メタデータ） (2023-10-30T15:50:56Z)
• Adaptive Multi-Agent Deep Reinforcement Learning for Timely Healthcare Interventions [17.405080523382235]
  マルチエージェント深部強化学習(DRL)を用いた新しいAI駆動型患者監視フレームワークを提案する。 アプローチでは複数の学習エージェントをデプロイし,心拍数,呼吸量,温度などの生理的特徴をモニタする。 提案する多エージェントDRLフレームワークの性能を,2つのデータセットから実世界の生理・運動データを用いて評価した。
  論文  参考訳（メタデータ） (2023-09-20T00:42:08Z)
• Exploring the Utility of Self-Supervised Pretraining Strategies for the Detection of Absent Lung Sliding in M-Mode Lung Ultrasound [72.39040113126462]
  セルフ教師付きプレトレーニングは、医用画像における教師付き学習タスクのパフォーマンスを向上させるために観察されている。 本研究は,Mモード肺超音波画像における肺スライディング分類の下流タスクの微調整を指導する前,自己指導型プレトレーニングの有用性について検討した。
  論文  参考訳（メタデータ） (2023-04-05T20:01:59Z)
• A Self-supervised Framework for Improved Data-Driven Monitoring of Stress via Multi-modal Passive Sensing [7.084068935028644]
  ストレス応答の生理的前駆体を追跡するための多モード半教師付きフレームワークを提案する。 本手法は,ウェアラブルデバイスと異なる領域と解像度のマルチモーダルデータの利用を可能にする。 実世界のデータのコーパスを用いて、知覚的ストレスに関するトレーニング実験を行う。
  論文  参考訳（メタデータ） (2023-03-24T20:34:46Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient eHealth Systems [5.04685484754788]
  感覚データ取得時のノイズの多い入力と動きアーチファクトは、eHealthサービスの予測精度とレジリエンスに影響を与える。 本稿では,ガベージインガベージアウトを軽減できるマルチモーダルeHealthアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。 提案手法は, 予測精度が最大22%向上し, 5.6$times$ Energy consumption reduction in the sensor phaseが得られた。
  論文  参考訳（メタデータ） (2021-12-13T00:52:33Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention and Alertness Analysis [54.198237164152786]
  視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である 十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。 本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
  論文  参考訳（メタデータ） (2020-08-27T12:33:54Z)

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。