論文の概要: Value Prediction for Spatiotemporal Gait Data Using Deep Learning
- arxiv url: http://arxiv.org/abs/2403.07926v1
- Date: Thu, 29 Feb 2024 18:30:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 05:50:41.741351
- Title: Value Prediction for Spatiotemporal Gait Data Using Deep Learning
- Title（参考訳）: 深層学習を用いた時空間歩行データの値予測
- Authors: Ryan Cavanagh, Jelena Trajkovic, Wenlu Zhang, I-Hung Khoo, Vennila Krishnan,
- Abstract要約: 我々は、時系列時間歩行データの価値予測へのディープラーニングの適用を拡大する。
その結果,短距離予測は 0.060675 以下であり,長距離予測は 0.106365 以下であった。
提案したカスタマイズされたモデルでは,転倒予測,家庭内進捗監視,外骨格運動の支援,認証など,付加的なアプリケーションに対して,価値予測がオープンな可能性を秘めている。
- 参考スコア（独自算出の注目度）: 0.19972837513980318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human gait has been commonly used for the diagnosis and evaluation of medical conditions and for monitoring the progress during treatment and rehabilitation. The use of wearable sensors that capture pressure or motion has yielded techniques that analyze the gait data to aid recovery, identify activity performed, or identify individuals. Deep learning, usually employing classification, has been successfully utilized in a variety of applications such as computer vision, biomedical imaging analysis, and natural language processing. We expand the application of deep learning to value prediction of time-series of spatiotemporal gait data. Moreover, we explore several deep learning architectures (Recurrent Neural Networks (RNN) and RNN combined with Convolutional Neural Networks (CNN)) to make short- and long-distance predictions using two different experimental setups. Our results show that short-distance prediction has an RMSE as low as 0.060675, and long-distance prediction RMSE as low as 0.106365. Additionally, the results show that the proposed deep learning models are capable of predicting the entire trial when trained and validated using the trials from the same participant. The proposed, customized models, used with value prediction open possibilities for additional applications, such as fall prediction, in-home progress monitoring, aiding of exoskeleton movement, and authentication.
- Abstract（参考訳）: ヒトの歩行は、医学的状態の診断と評価、治療とリハビリテーションの進捗のモニタリングによく用いられてきた。
圧力や動きを捉えたウェアラブルセンサーを使用することで、歩行データを分析して回復を助け、実行された活動を特定し、個人を識別する技術が得られた。
ディープ・ラーニング(Deep Learning)は、コンピュータビジョン、バイオメディカル・イメージング分析、自然言語処理など、様々な用途でうまく活用されている。
我々は、時空間歩行データの時系列の値予測へのディープラーニングの適用を拡大する。
さらに、複数のディープラーニングアーキテクチャ(Recurrent Neural Networks (RNN) と RNN と Convolutional Neural Networks (CNN) を組み合わせることで、2つの異なる実験装置を用いて、短距離および長距離の予測を行う。
その結果,短距離予測は 0.060675 以下であり,長距離予測は 0.106365 以下であった。
さらに,提案した深層学習モデルでは,同一参加者からの試行をトレーニングし,検証することで,試験全体を予測することができることを示した。
提案したカスタマイズされたモデルでは,転倒予測,家庭内進捗監視,外骨格運動の支援,認証など,付加的なアプリケーションに対して,価値予測がオープンな可能性を秘めている。
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) - Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-02T16:23:50Z) - tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time
Dynamic Prediction [19.38247205641199]
本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。
提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
論文 参考訳（メタデータ） (2023-07-12T03:03:40Z) - 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) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Does Deep Learning REALLY Outperform Non-deep Machine Learning for
Clinical Prediction on Physiological Time Series? [11.901347806586234]
EHRに基づく臨床予測タスクにおいて,機械学習モデルの性能を体系的に検討する。
3つのディープラーニングメソッドと7つの非深度学習メソッドを含む10のベースライン機械学習モデルを比較した。
その結果,深層学習は非深層学習よりも優れており,一定の条件下では優れていた。
論文 参考訳（メタデータ） (2022-11-11T07:09:49Z) - Simple Recurrent Neural Networks is all we need for clinical events
predictions using EHR data [22.81278657120305]
リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。
心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。
GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-10-03T13:07:23Z) - Simulating time to event prediction with spatiotemporal echocardiography
deep learning [12.059859769175281]
ニューラルネットワークを用いてcox-proportional hazardsモデルを拡張することにより、時間対イベント予測の新しい手法を開発した。
専門家の注釈付き射出分数読みに基づくシミュレーションサバイバルデータセットを生成する。
シミュレーションによる生存結果のみを訓練することにより、時間的畳み込みニューラルネットワークが正確な生存推定をもたらすことを示す。
論文 参考訳（メタデータ） (2021-03-03T18:28:33Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z) - Forecasting adverse surgical events using self-supervised transfer
learning for physiological signals [7.262231066394781]
本稿では,PHASE という,伝送可能な埋め込み方式(時系列信号を予測機械学習モデルのための入力特徴に変換する方法)を提案する。
我々は,2つの手術室(OR)データセットと集中治療室(ICU)データセットの5万件以上の手術群について,分単位でPHASEを評価した。
1つのデータセットに埋め込みモデルを訓練し、信号を埋め込み、未知のデータに有害事象を予測する伝達学習環境において、PHASEは従来の手法に比べて計算コストの低い精度で予測精度を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-12T02:49:15Z)
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。