論文の概要: Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach
- arxiv url: http://arxiv.org/abs/2404.15335v1
- Date: Tue, 9 Apr 2024 15:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-28 10:46:58.115274
- Title: Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach
- Title（参考訳）: ウェアラブルセンサを用いた歩行周期データを用いたパーキンソン病早期検出のための統合的ディープラーニングフレームワーク:CNN-GRU-GNNアプローチ
- Authors: Alireza Rashnu, Armin Salimi-Badr,
- Abstract要約: 対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。
我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。
提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
- 参考スコア（独自算出の注目度）: 0.3222802562733786
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Efficient early diagnosis is paramount in addressing the complexities of Parkinson's disease because timely intervention can substantially mitigate symptom progression and improve patient outcomes. In this paper, we present a pioneering deep learning architecture tailored for the binary classification of subjects, utilizing gait cycle datasets to facilitate early detection of Parkinson's disease. Our model harnesses the power of 1D-Convolutional Neural Networks (CNN), Gated Recurrent Units (GRU), and Graph Neural Network (GNN) layers, synergistically capturing temporal dynamics and spatial relationships within the data. In this work, 16 wearable sensors located at the end of subjects' shoes for measuring the vertical Ground Reaction Force (vGRF) are considered as the vertices of a graph, their adjacencies are modelled as edges of this graph, and finally, the measured data of each sensor is considered as the feature vector of its corresponding vertex. Therefore, The GNN layers can extract the relations among these sensors by learning proper representations. Regarding the dynamic nature of these measurements, GRU and CNN are used to analyze them spatially and temporally and map them to an embedding space. Remarkably, our proposed model achieves exceptional performance metrics, boasting accuracy, precision, recall, and F1 score values of 99.51%, 99.57%, 99.71%, and 99.64%, respectively.
- Abstract（参考訳）: 時間的介入は症状の進行を著しく軽減し、患者の予後を改善するため、パーキンソン病の複雑さに対処する上で、効果的な早期診断が最重要である。
本稿では,パーキンソン病の早期発見を容易にするために歩行周期データセットを用いて,被験者のバイナリ分類に適した先駆的な深層学習アーキテクチャを提案する。
我々のモデルは1D-畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、グラフニューラルネットワーク(GNN)レイヤのパワーを活用し、データ内の時間的ダイナミクスと空間的関係を相乗的に捉える。
本研究は,垂直地中反応力(vGRF)を測定するための被験者の靴端に位置する16個のウェアラブルセンサをグラフの頂点とみなし,その隣接度をグラフのエッジとしてモデル化し,各センサの計測データを対応する頂点の特徴ベクトルとみなす。
したがって、GNN層は適切な表現を学習することで、これらのセンサ間の関係を抽出することができる。
これらの測定の動的性質に関して、GRUとCNNはそれらを空間的・時間的に分析し、埋め込み空間にマッピングする。
注目すべきことに、提案モデルでは、それぞれ99.51%、99.57%、99.71%、99.64%の精度、精度、リコール、F1スコアを誇った、例外的なパフォーマンス指標を達成している。
関連論文リスト
- Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。
THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。
包括的実験により,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-05-07T14:08:57Z) - Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。
本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。
提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
論文 参考訳（メタデータ） (2023-11-06T15:17:17Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Benchmarking Graph Neural Networks for FMRI analysis [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なツールとして登場した。
うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。
機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
論文 参考訳（メタデータ） (2022-11-16T14:16:54Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural
Networks [8.949096210063662]
本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。
我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
論文 参考訳（メタデータ） (2020-07-06T23:11:38Z) - Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks [67.3415507211942]
感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。
既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。
グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
論文 参考訳（メタデータ） (2020-06-21T21:12:44Z) - Inductive Graph Neural Networks for Spatiotemporal Kriging [13.666589510218738]
ネットワーク/グラフ構造上のアンサンプリングセンサのデータを復元するインダクティブグラフニューラルネットワークモデルを開発した。
複数の実世界の時間的データセットに対する実験結果から,本モデルの有効性が示された。
論文 参考訳（メタデータ） (2020-06-13T01:23:44Z)
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。