論文の概要: Use of a Multiscale Vision Transformer to predict Nursing Activities Score from Low Resolution Thermal Videos in an Intensive Care Unit

• arxiv url: http://arxiv.org/abs/2406.04364v1
• Date: Thu, 30 May 2024 11:39:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-23 14:05:12.663056
• Title: Use of a Multiscale Vision Transformer to predict Nursing Activities Score from Low Resolution Thermal Videos in an Intensive Care Unit
• Title（参考訳）: 集中治療室における低解像度熱映像からの看護活動スコア予測のためのマルチスケール視覚変換器の利用
• Authors: Isaac YL Lee, Thanh Nguyen-Duc, Ryo Ueno, Jesse Smith, Peter Y Chan,
• Abstract要約: 看護婦の過度な介護労働負荷は、より貧しい患者のケアと労働者のバーンアウトの増加に関係している。 これまでの作業では、コンピュータビジョンを使用して介護者と患者の相互作用時間を受動的に導き、スタッフの作業量を監視することで、AmI(Ambient Intelligence)を利用してきた。 本研究は、MViTv2を用いてICU内のNASを受動的に予測し、スタッフの作業負荷を自動的に監視する可能性を示す。
• 参考スコア（独自算出の注目度）: 0.8621608193534838
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Excessive caregiver workload in hospital nurses has been implicated in poorer patient care and increased worker burnout. Measurement of this workload in the Intensive Care Unit (ICU) is often done using the Nursing Activities Score (NAS), but this is usually recorded manually and sporadically. Previous work has made use of Ambient Intelligence (AmI) by using computer vision to passively derive caregiver-patient interaction times to monitor staff workload. In this letter, we propose using a Multiscale Vision Transformer (MViT) to passively predict the NAS from low-resolution thermal videos recorded in an ICU. 458 videos were obtained from an ICU in Melbourne, Australia and used to train a MViTv2 model using an indirect prediction and a direct prediction method. The indirect method predicted 1 of 8 potentially identifiable NAS activities from the video before inferring the NAS. The direct method predicted the NAS score immediately from the video. The indirect method yielded an average 5-fold accuracy of 57.21%, an area under the receiver operating characteristic curve (ROC AUC) of 0.865, a F1 score of 0.570 and a mean squared error (MSE) of 28.16. The direct method yielded a MSE of 18.16. We also showed that the MViTv2 outperforms similar models such as R(2+1)D and ResNet50-LSTM under identical settings. This study shows the feasibility of using a MViTv2 to passively predict the NAS in an ICU and monitor staff workload automatically. Our results above also show an increased accuracy in predicting NAS directly versus predicting NAS indirectly. We hope that our study can provide a direction for future work and further improve the accuracy of passive NAS monitoring.
• Abstract（参考訳）: 看護婦の過度な介護労働負荷は、より貧しい患者のケアと労働者のバーンアウトの増加に関係している。 集中治療室(ICU)におけるこの負荷の測定は、看護活動スコア(NAS)を用いて行われることが多いが、通常は手動および散発的に記録される。 これまでの作業では、コンピュータビジョンを使用して介護者と患者の相互作用時間を受動的に導き、スタッフの作業量を監視することで、AmI(Ambient Intelligence)を利用してきた。 本稿では、MViT(Multiscale Vision Transformer)を用いて、ICUで記録された低解像度サーマルビデオからNASを受動的に予測する。 458本のビデオがオーストラリアのメルボルンにあるICUから取得され、間接予測と直接予測手法を用いてMViTv2モデルを訓練するために使用された。 間接的手法は、NASを推測する前にビデオから潜在的に特定可能なNAS活動8つのうち1を予測した。 直接手法はビデオからNASスコアを即座に予測する。 間接法では、平均5倍精度57.21%、受信機動作特性曲線(ROC AUC)0.865、F1スコア0.570、平均2乗誤差(MSE28.16)が得られた。 直接法ではMSEは18.16であった。 また、MViTv2はR(2+1)DやResNet50-LSTMといった類似のモデルと同一の設定で比較した。 本研究は、MViTv2を用いてICU内のNASを受動的に予測し、スタッフの作業負荷を自動的に監視する可能性を示す。 以上の結果から,NASを直接予測した場合とNASを間接的に予測する場合の精度も向上した。 我々は今後の研究の方向性を提供し、受動NASモニタリングの精度をさらに向上させることを願っている。

関連論文リスト

• Improving Routability Prediction via NAS Using a Smooth One-shot Augmented Predictor [4.381471268889061]
  現代のEDAツールにおける実行可能性の最適化は、機械学習(ML)モデルを使用することで大きな恩恵を受けている。 NAS技術は2つの要因の結果として、ルタビリティ予測にうまく取り組むのに苦労している。 我々は、新しいデータ拡張技術とワンショットと予測器ベースのNASを組み合わせた新しい組み合わせにより、これらの課題に対処するために、SOAP-NASという新しいNAS技術を構築します。
  論文  参考訳（メタデータ） (2024-11-21T16:42:41Z)
• VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning [59.68917139718813]
  そこで本研究では,市販の冷凍型ビジュアルエンコーダを用いて,予測および手続き計画において,最先端(SoTA)の性能を達成可能であることを示す。 観察されたステップから凍結したクリップレベルの埋め込みを条件付けて、目に見えないステップの動作を予測することで、予測のための堅牢な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-10-04T14:52:09Z)
• DiffusionNAG: Predictor-guided Neural Architecture Generation with Diffusion Models [56.584561770857306]
  本研究では拡散モデルに基づく新しい条件付きニューラルネットワーク生成(NAG)フレームワークDiffusionNAGを提案する。 具体的には、ニューラルネットワークを有向グラフとみなし、それらを生成するためのグラフ拡散モデルを提案する。 本研究では,2つの予測型NAS(Transferable NAS)とベイズ最適化(BO)に基づくNAS(Bayesian Optimization)の2つのシナリオにおいて,DiffusionNAGの有効性を検証する。 BOベースのアルゴリズムに統合されると、DiffusionNAGは既存のBOベースのNASアプローチ、特にImageNet 1Kデータセット上の大規模なMobileNetV3検索スペースよりも優れている。
  論文  参考訳（メタデータ） (2023-05-26T13:58:18Z)
• Cross-Shaped Windows Transformer with Self-supervised Pretraining for Clinically Significant Prostate Cancer Detection in Bi-parametric MRI [6.930082824262643]
  前立腺癌 (bpMRI) における臨床的に重要な前立腺癌 (csPCa) を検出するために, CSwin 変圧器 UNet モデル (CSwin 変圧器 UNet モデル) を導入した。 1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。 5倍のクロスバリデーションは、自己教師型CSwin UNetが0.888 AUCと0.545 Average Precision(AP)を達成し、4つの同等モデル(Swin U)を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2023-04-30T04:40:32Z)
• Deep Neural Network Architecture Search for Accurate Visual Pose Estimation aboard Nano-UAVs [69.19616451596342]
  小型無人航空機(UAV)は、新興かつトレンドのトピックである。 我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。 その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
  論文  参考訳（メタデータ） (2023-03-03T14:02:09Z)
• Could Giant Pretrained Image Models Extract Universal Representations? [94.97056702288317]
  本稿では,多種多様なコンピュータビジョンタスクに適用した凍結事前学習モデルについて述べる。 私たちの研究は、この凍結した設定にどのような事前学習タスクが最適か、凍結した設定を様々な下流タスクに柔軟にする方法、より大きなモデルサイズの影響について、質問に答えています。
  論文  参考訳（メタデータ） (2022-11-03T17:57:10Z)
• Automated Detection of Patients in Hospital Video Recordings [1.759613153663764]
  臨床環境では、てんかん患者は、ビデオ脳波検査(EEG)によって監視される。 現在、発作時に患者の位置を追跡するための自動的な方法が存在しない。 我々は,イメージネットで事前学習したMask R-CNN(オブジェクト検出のための標準ディープラーニングモデル)を,患者検出のタスクに基づいて評価した。
  論文  参考訳（メタデータ） (2021-11-28T23:15:06Z)
• Predicting Intensive Care Unit Length of Stay and Mortality Using Patient Vital Signs: Machine Learning Model Development and Validation [0.22940141855172028]
  モデルは、インテリジェントな遠隔患者監視フレームワークのインテリジェントなicu患者監視モジュールで使用される。 集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データを抽出した。 死亡率モデルに6mlアルゴリズムを適用して退院状況(生存の有無)の予測を行った。 滞在モデルの長さについて,2.64日間の中央値のICU滞在率を用いて,同じ6つのMLアルゴリズムをバイナリ分類に適用した。
  論文  参考訳（メタデータ） (2021-05-05T18:45:26Z)
• BRP-NAS: Prediction-based NAS using GCNs [21.765796576990137]
  BRP-NASは、グラフ畳み込みネットワーク(GCN)に基づく正確な性能予測によって実現された効率的なハードウェア対応NASである 提案手法はNAS-Bench-101とNAS-Bench-201の先行手法よりも優れていることを示す。 また、幅広いデバイスで動作するNAS-Bench-201モデルのレイテンシデータセットであるLatBenchもリリースしました。
  論文  参考訳（メタデータ） (2020-07-16T21:58:43Z)
• Accuracy Prediction with Non-neural Model for Neural Architecture Search [185.0651567642238]
  精度予測に非神経モデルを用いる別の手法について検討する。 我々は、ニューラルネットワーク探索(NAS)の予測因子として、勾配向上決定木(GBDT)を活用する。 NASBench-101とImageNetの実験は、NASの予測器としてGBDTを使用することの有効性を示した。
  論文  参考訳（メタデータ） (2020-07-09T13:28:49Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。