論文の概要: Benchmarking Reliability of Deep Learning Models for Pathological Gait Classification

• arxiv url: http://arxiv.org/abs/2409.13643v1
• Date: Fri, 20 Sep 2024 16:47:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 06:08:43.906622
• Title: Benchmarking Reliability of Deep Learning Models for Pathological Gait Classification
• Title（参考訳）: 病理歩行分類のための深層学習モデルのベンチマーク信頼性
• Authors: Abhishek Jaiswal, Nisheeth Srivastava,
• Abstract要約: 最近研究者たちは、機械学習アルゴリズムの進歩を活用して、歩行変化の症状を検出することを試みた。 本稿では,翻訳を阻害するギャップを同定するための既存手法について分析する。 我々は,複数の病的歩行のカテゴリを確実に区別できるAMS-GCN (Asynchronous Multi-Stream Graph Convolutional Network) という強力なベースラインを提案する。
• 参考スコア（独自算出の注目度）: 2.1548132286330453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of neurodegenerative disorders is an important open problem, since early diagnosis and treatment may yield a better prognosis. Researchers have recently sought to leverage advances in machine learning algorithms to detect symptoms of altered gait, possibly corresponding to the emergence of neurodegenerative etiologies. However, while several claims of positive and accurate detection have been made in the recent literature, using a variety of sensors and algorithms, solutions are far from being realized in practice. This paper analyzes existing approaches to identify gaps inhibiting translation. Using a set of experiments across three Kinect-simulated and one real Parkinson's patient datasets, we highlight possible sources of errors and generalization failures in these approaches. Based on these observations, we propose our strong baseline called Asynchronous Multi-Stream Graph Convolutional Network (AMS-GCN) that can reliably differentiate multiple categories of pathological gaits across datasets.
• Abstract（参考訳）: 神経変性疾患の早期発見は、早期診断と治療がより良い予後をもたらす可能性があるため、重要なオープンな問題である。 研究者たちは最近、機械学習アルゴリズムの進歩を活用して、変化した歩行の症状を検出することを模索している。 しかし、近年の文献では、様々なセンサーやアルゴリズムを用いて、肯定的かつ正確な検出の主張がいくつかなされているが、実際に実現されるには程遠い。 本稿では,翻訳を阻害するギャップを同定するための既存手法について分析する。 3つのKinectシミュレーションと1つの実際のパーキンソン病データセットを対象とした一連の実験を用いて、これらのアプローチにおけるエラーの原因と一般化失敗について強調する。 これらの観測結果に基づき,我々はAMS-GCN (Asynchronous Multi-Stream Graph Convolutional Network) という強力なベースラインを提案する。

関連論文リスト

• A Review of Deep Learning Approaches for Non-Invasive Cognitive Impairment Detection [35.31259047578382]
  本稿では,非侵襲的認知障害検出のためのディープラーニング手法の最近の進歩を概説する。 音声や言語,顔,運動運動など,認知低下の非侵襲的指標について検討した。 著しい進歩にもかかわらず、データ標準化とアクセシビリティ、モデル説明可能性、縦断解析の限界、臨床適応などいくつかの課題が残っている。
  論文  参考訳（メタデータ） (2024-10-25T17:44:59Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Pathology Steered Stratification Network for Subtype Identification in Alzheimer's Disease [7.594681424335177]
  アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。 本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
  論文  参考訳（メタデータ） (2022-10-12T02:52:00Z)
• Stroke recovery phenotyping through network trajectory approaches and graph neural networks [0.966840768820136]
  トラジェクトリプロファイルクラスタリング (TPC) 法を用いて, NINDS tPAトライアルのデータを分析し, 異なる脳卒中回復パターンを同定する。 臨床的に関連のある脳卒中症候群と一致した3つの異なる脳卒中軌跡について検討した。
  論文  参考訳（メタデータ） (2021-09-29T18:46:08Z)
• Quantifying the Reproducibility of Graph Neural Networks using Multigraph Brain Data [0.0]
  グラフニューラルネットワーク(GNN)は、コンピュータビジョン、コンピュータ支援診断、および関連分野におけるいくつかの問題に取り組む際に、前例のない増殖を目撃している。 これまでの研究では、モデルの精度の向上に焦点が当てられていたが、GNNによって特定される最も差別的な特徴を定量化することは、臨床応用における信頼性に関する懸念を生じさせる無傷の問題である。 異なるモデル間で共有される最も差別的な特徴(バイオマーカー)によるGNNアセスメントのためのフレームワークを初めて提案する。我々のフレームワークの健全性を確認するため、トレーニング戦略やトレーニング戦略などのさまざまな要因を取り入れている。
  論文  参考訳（メタデータ） (2021-09-06T05:31:02Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
  3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。 新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。 いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
  論文  参考訳（メタデータ） (2021-01-07T10:17:11Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。