論文の概要: Learning Developmental Age from 3D Infant Kinetics Using Adaptive Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2402.14400v3
- Date: Wed, 04 Dec 2024 09:44:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:05:24.606654
- Title: Learning Developmental Age from 3D Infant Kinetics Using Adaptive Graph Neural Networks
- Title(参考訳): 適応型グラフニューラルネットワークを用いた3次元幼児運動学からの発達年齢の学習
- Authors: Daniel Holmberg, Manu Airaksinen, Viviana Marchi, Andrea Guzzetta, Anna Kivi, Leena Haataja, Sampsa Vanhatalo, Teemu Roos,
- Abstract要約: Kinetic Age(KA)は、運動パターンに基づいて幼児の年齢を予測することによって、神経発達の成熟度を定量化するデータ駆動の指標である。
本手法は乳児の3次元映像記録を利用してポーズ推定を行い,解剖学的ランドマークの抽出・時間的時系列を抽出する。
これらのデータは適応的なグラフ畳み込みネットワークを用いてモデル化され、幼児運動における検出時間依存性を捉えることができる。
- 参考スコア(独自算出の注目度): 2.2279946664123664
- License:
- Abstract: Reliable methods for the neurodevelopmental assessment of infants are essential for early detection of problems that may need prompt interventions. Spontaneous motor activity, or 'kinetics', is shown to provide a powerful surrogate measure of upcoming neurodevelopment. However, its assessment is by and large qualitative and subjective, focusing on visually identified, age-specific gestures. In this work, we introduce Kinetic Age (KA), a novel data-driven metric that quantifies neurodevelopmental maturity by predicting an infant's age based on their movement patterns. KA offers an interpretable and generalizable proxy for motor development. Our method leverages 3D video recordings of infants, processed with pose estimation to extract spatio-temporal series of anatomical landmarks, which are released as a new openly available dataset. These data are modeled using adaptive graph convolutional networks, able to capture the spatio-temporal dependencies in infant movements. We also show that our data-driven approach achieves improvement over traditional machine learning baselines based on manually engineered features.
- Abstract(参考訳): 幼児の神経発達学的評価のための信頼性の高い方法は、迅速な介入を必要とする可能性のある問題の早期発見に不可欠である。
自発運動、すなわち「運動学」は、今後の神経発達の強力なサロゲート指標を提供する。
しかし、その評価は質的かつ主観的であり、視覚的に特定され、年齢に応じたジェスチャーに焦点を当てている。
本研究では, 運動パターンに基づいて幼児の年齢を予測することにより, 神経発達の成熟度を定量化する新しいデータ駆動指標であるKineetic Age(KA)を紹介する。
KAは、モーター開発のための解釈可能で一般化可能なプロキシを提供する。
提案手法は乳児の3次元映像記録を利用してポーズ推定を行い,新しい公開データセットとして公開する解剖学的ランドマークの時空間列を抽出する。
これらのデータは適応的なグラフ畳み込みネットワークを用いてモデル化され、幼児運動の時空間依存性を捉えることができる。
また、我々のデータ駆動アプローチは、手動で設計した機能に基づいて、従来の機械学習ベースラインよりも改善できることも示しています。
関連論文リスト
- Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI [0.20482269513546453]
この期間の発達結果の正確な予測は、遅延を特定し、タイムリーな介入を可能にするために不可欠である。
本研究では,新生児のfMRIを用いた結果の予測を目的としたSwiFT(Swin 4D fMRI Transformer)モデルを提案する。
分析の結果,SwiFTは認知,運動,言語結果の予測において,ベースラインモデルよりも有意に優れていた。
論文 参考訳(メタデータ) (2024-11-25T12:20:07Z) - ToddlerAct: A Toddler Action Recognition Dataset for Gross Motor Development Assessment [26.16139407666899]
ToddlerActは幼児の運動行動認識データセットである。
本稿では,データ収集プロセス,アノテーション方法論,データセットの特徴について述べる。
本研究は,幼児期における運動機能発達の正確性を評価するための領域特異的データセットの重要性を明らかにするものである。
論文 参考訳(メタデータ) (2024-08-31T04:31:46Z) - Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。
実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。
精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文 参考訳(メタデータ) (2024-06-17T01:11:53Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳(メタデータ) (2024-02-12T14:46:31Z) - Challenges in Video-Based Infant Action Recognition: A Critical
Examination of the State of the Art [9.327466428403916]
InfActPrimitive’という,5つの重要な幼児マイルストーンアクションカテゴリを含む,画期的なデータセットを紹介します。
近縁骨格に基づく行動認識モデルを用いた広範囲な比較分析を行う。
以上の結果から,PoseC3Dモデルでは約71%の精度で高い精度を達成できたが,残りのモデルでは乳幼児行動の動態を正確に把握することが困難であった。
論文 参考訳(メタデータ) (2023-11-21T02:36:47Z) - Dynamic Gaussian Splatting from Markerless Motion Capture can
Reconstruct Infants Movements [2.44755919161855]
本研究は,多様な臨床集団に適用可能な高度な運動分析ツールの道を開くものである。
マーカーレスモーションキャプチャーデータに対する動的ガウススプラッティングの適用について検討した。
以上の結果から,この手法が乳幼児の情景を表現し,乳幼児の動きを追跡できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-10-30T11:09:39Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳(メタデータ) (2021-08-11T18:08:09Z) - Towards human-level performance on automatic pose estimation of infant
spontaneous movements [2.7086496937827005]
4種類の畳み込みニューラルネットワークを訓練し、新しい幼児ポーズデータセットを用いて評価した。
最高のパフォーマンスのニューラルネットワークは、人間の専門家アノテーションのラッター間拡散に類似したローカライゼーションエラーを持っていた。
以上の結果から, 乳児の自発運動の評価は, 周産期脳損傷児の発達障害の早期発見に大きく貢献する可能性が示唆された。
論文 参考訳(メタデータ) (2020-10-12T18:17:47Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳(メタデータ) (2020-03-23T14:55:00Z)
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。