論文の概要: Self-Supervised Learning and Opportunistic Inference for Continuous Monitoring of Freezing of Gait in Parkinson's Disease

• arxiv url: http://arxiv.org/abs/2410.21326v1
• Date: Sun, 27 Oct 2024 03:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:42:00.564647
• Title: Self-Supervised Learning and Opportunistic Inference for Continuous Monitoring of Freezing of Gait in Parkinson's Disease
• Title（参考訳）: パーキンソン病における歩行凍結の持続的モニタリングのための自己指導型学習と機会論的推論
• Authors: Shovito Barua Soumma, Kartik Mangipudi, Daniel Peterson, Shyamal Mehta, Hassan Ghasemzadeh,
• Abstract要約: パーキンソン病(英: Parkinson's disease、PD)は、生命の質に大きな影響を与える進行性神経疾患である。 既存の症状モニタリング技術はパワーハングリーであり、大量のラベル付きデータに依存し、制御された設定で運用されている。 本研究は,リアルタイムFoG検出のための計算効率の高い自己教師型学習フレームワークLIFT-PDを提案する。
• 参考スコア（独自算出の注目度）: 6.466206145151128
• License:
• Abstract: Parkinson's disease (PD) is a progressive neurological disorder that impacts the quality of life significantly, making in-home monitoring of motor symptoms such as Freezing of Gait (FoG) critical. However, existing symptom monitoring technologies are power-hungry, rely on extensive amounts of labeled data, and operate in controlled settings. These shortcomings limit real-world deployment of the technology. This work presents LIFT-PD, a computationally-efficient self-supervised learning framework for real-time FoG detection. Our method combines self-supervised pre-training on unlabeled data with a novel differential hopping windowing technique to learn from limited labeled instances. An opportunistic model activation module further minimizes power consumption by selectively activating the deep learning module only during active periods. Extensive experimental results show that LIFT-PD achieves a 7.25% increase in precision and 4.4% improvement in accuracy compared to supervised models while using as low as 40% of the labeled training data used for supervised learning. Additionally, the model activation module reduces inference time by up to 67% compared to continuous inference. LIFT-PD paves the way for practical, energy-efficient, and unobtrusive in-home monitoring of PD patients with minimal labeling requirements.
• Abstract（参考訳）: パーキンソン病(英: Parkinson's disease、PD)は、進行性神経疾患であり、生活の質に大きな影響を与える。 しかし、既存の症状モニタリング技術はパワーハングリーであり、大量のラベル付きデータに依存し、制御された設定で操作する。 これらの欠点は、テクノロジーの実際の展開を制限する。 本研究は,リアルタイムFoG検出のための計算効率の高い自己教師型学習フレームワークLIFT-PDを提案する。 本手法は,ラベル付きデータに対する自己教師付き事前学習と,限定されたラベル付きインスタンスから学習するための新しい差分ホッピングウィンドウ技術を組み合わせたものである。 機会モデル活性化モジュールは、アクティブ期間のみ、ディープラーニングモジュールを選択的に活性化することにより、消費電力を最小化する。 大規模な実験の結果,LIFT-PDは教師付き学習に使用するラベル付きトレーニングデータの40%を低速で使用しながら,教師付きモデルと比較して7.25%の精度向上と4.4%の精度向上を実現していることがわかった。 さらに、モデルアクティベーションモジュールは、連続推論と比較して推論時間を最大67%削減する。 LIFT-PDは、最小限のラベリング要件を持つPD患者の実用的でエネルギー効率が高く、控えめな家庭内モニタリングの道を開く。

関連論文リスト

• Wearable-Based Real-time Freezing of Gait Detection in Parkinson's Disease Using Self-Supervised Learning [6.466206145151128]
  LIFT-PDは、パーキンソン病(PD)患者の歩行凍結(FoG)のリアルタイム検出のために開発された、革新的な自己教師型学習フレームワークである。 トレーニング中に不均衡なデータに対処するために差分ホッピングウィンドウ技術(DHWT)を適用することで、大きなラベル付きデータセットへの依存を最小限に抑える。
  論文  参考訳（メタデータ） (2024-10-08T00:02:03Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Computation-Efficient Semi-Supervised Learning for ECG-based Cardiovascular Diseases Detection [16.34314710823127]
  本稿では,ECGを用いた頑健かつ計算効率の高いCVD検出のための計算効率の高い半教師付き学習パラダイム(FastECG)を提案する。 これは、限られた監督と高い計算効率で、下流データセットに事前訓練されたモデルの堅牢な適応を可能にする。
  論文  参考訳（メタデータ） (2024-06-20T14:45:13Z)
• A Change Point Detection Integrated Remaining Useful Life Estimation Model under Variable Operating Conditions [20.175311818924]
  本稿では,個々のデバイスの変化点を検出するための時間動的学習モデルを提案する。 C-MAPSSターボファンエンジンをケーススタディとして,6つの動作条件を持つ2つのシナリオに対して,精度を5.6%,7.5%向上させた。
  論文  参考訳（メタデータ） (2024-01-09T04:35:17Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。