Fugu-MT 論文翻訳(概要): Automatic Classification of General Movements in Newborns

論文の概要: Automatic Classification of General Movements in Newborns

arxiv url: http://arxiv.org/abs/2411.09821v1
Date: Thu, 14 Nov 2024 21:53:46 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-18 15:38:59.388274
Title: Automatic Classification of General Movements in Newborns
Title（参考訳）: 新生児の全身運動の自動分類
Authors: Daphné Chopard, Sonia Laguna, Kieran Chin-Cheong, Annika Dietz, Anna Badura, Sven Wellmann, Julia E Vogt,
Abstract要約: 一般運動(GM)は神経発達障害の信頼できる予測因子である。新生児スクリーニングのスケールアップには、幼児のビデオ録画からGMを自動的に分類するアルゴリズムが必要である。本研究では,これらの記録から特徴を抽出するツールを導入し,自動GM分類のための様々な機械学習手法を探索する。
参考スコア（独自算出の注目度）: 9.308383767711367
License:
Abstract: General movements (GMs) are spontaneous, coordinated body movements in infants that offer valuable insights into the developing nervous system. Assessed through the Prechtl GM Assessment (GMA), GMs are reliable predictors for neurodevelopmental disorders. However, GMA requires specifically trained clinicians, who are limited in number. To scale up newborn screening, there is a need for an algorithm that can automatically classify GMs from infant video recordings. This data poses challenges, including variability in recording length, device type, and setting, with each video coarsely annotated for overall movement quality. In this work, we introduce a tool for extracting features from these recordings and explore various machine learning techniques for automated GM classification.
Abstract（参考訳）: 一般運動(GM)は、発達する神経系に貴重な洞察を与える乳児の自発的、協調した身体運動である。 Prechtl GM Assessment (GMA)を通じて評価されたGMは、神経発達障害に対する信頼性の高い予測因子である。しかし、GMAは専門的に訓練された臨床医を必要としており、その数は限られている。新生児スクリーニングのスケールアップには、幼児のビデオ録画からGMを自動的に分類するアルゴリズムが必要である。このデータは、記録の長さ、デバイスタイプ、設定のばらつきなどの課題を提起する。本研究では,これらの記録から特徴を抽出するツールを導入し,自動GM分類のための様々な機械学習手法を探索する。

関連論文リスト

Deep learning empowered sensor fusion boosts infant movement classification [2.5114056348393197]
FM(Fidgety Movement)評価のためのセンサ融合手法を提案する。様々な組み合わせと2つのセンサ融合法を用いて、マルチセンサシステムが単一モードアセスメントよりも優れた性能を発揮するかどうかを検証した。三感融合(94.5%の分類精度)の性能は、評価されたどの単一モダリティよりも著しく高かった。
論文参考訳（メタデータ） (2024-06-13T11:38:58Z)
Dynamic Gaussian Splatting from Markerless Motion Capture can Reconstruct Infants Movements [2.44755919161855]
本研究は,多様な臨床集団に適用可能な高度な運動分析ツールの道を開くものである。マーカーレスモーションキャプチャーデータに対する動的ガウススプラッティングの適用について検討した。以上の結果から,この手法が乳幼児の情景を表現し,乳幼児の動きを追跡できる可能性が示唆された。
論文参考訳（メタデータ） (2023-10-30T11:09:39Z)
Neuroevolutionary algorithms driven by neuron coverage metrics for semi-supervised classification [60.60571130467197]
一部の機械学習アプリケーションでは、ラベル付けされていないインスタンスが豊富であるのに対して、教師付き分類のためのラベル付きインスタンスの可用性は制限されている。本稿では、ニューラルネットワークアーキテクチャ上で計算されたニューラルネットワークカバレッジメトリクスを用いて、未ラベルのインスタンスを利用する神経進化的アプローチを提案する。
論文参考訳（メタデータ） (2023-03-05T23:38:44Z)
Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文参考訳（メタデータ） (2022-09-25T04:56:10Z)
Weakly Supervised Online Action Detection for Infant General Movements [20.80510092848336]
WO-GMA という新しい手法を提案し,弱教師付きオンライン環境でのフィジティ・ムーブメント・ローカライゼーションを実現する。乳幼児の757本のビデオを用いた実験結果から、WO-GMAは最先端のビデオレベルの分類とクリップレベルの検出結果を得ることができることが示された。
論文参考訳（メタデータ） (2022-08-07T05:49:55Z)
Infant movement classification through pressure distribution analysis [2.18942830965993]
乳児の全身運動(GM)を分類するための圧力センサを用いた革新的な非侵襲的アプローチを提案する。筆者らは, 圧力データを用いて, 典型的GMパターンである「前指運動」と「前指運動」とを区別する可能性を検討した。
論文参考訳（メタデータ） (2022-07-26T16:14:19Z)
Automated Classification of General Movements in Infants Using a Two-stream Spatiotemporal Fusion Network [5.541644538483947]
幼児の全身運動(GM)の評価は神経発達障害の早期診断に有用である。近年、ビデオベースのGM分類が注目されているが、これは無関係な情報の影響を強く受けている。不要な背景情報を除去する前処理ネットワークからなる自動GM分類法を提案する。
論文参考訳（メタデータ） (2022-07-04T05:21:09Z)
Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文参考訳（メタデータ） (2022-03-12T15:24:03Z)
Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文参考訳（メタデータ） (2021-12-23T12:17:47Z)
Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文参考訳（メタデータ） (2021-10-11T12:48:44Z)
One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
論文参考訳（メタデータ） (2021-03-24T05:02:18Z)

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。