論文の概要: Classifying Simulated Gait Impairments using Privacy-preserving Explainable Artificial Intelligence and Mobile Phone Videos

• arxiv url: http://arxiv.org/abs/2412.01056v1
• Date: Mon, 02 Dec 2024 02:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:45:29.550967
• Title: Classifying Simulated Gait Impairments using Privacy-preserving Explainable Artificial Intelligence and Mobile Phone Videos
• Title（参考訳）: プライバシー保護型説明可能な人工知能と携帯電話ビデオを用いた歩行障害の分類
• Authors: Lauhitya Reddy, Ketan Anand, Shoibolina Kaushik, Corey Rodrigo, J. Lucas McKay, Trisha M. Kesar, Hyeokhyen Kwon,
• Abstract要約: 歩行障害を分類するための携帯電話ベースのプライバシ保護人工知能(AI)システムを提案する。 本データセットは, 正常歩行と6種類の病理歩行を模擬した訓練対象者の前頭・矢状視で構成する。 本システムでは,正面視と矢状視を併用して86.5%の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.1806830971023738
• License:
• Abstract: Accurate diagnosis of gait impairments is often hindered by subjective or costly assessment methods, with current solutions requiring either expensive multi-camera equipment or relying on subjective clinical observation. There is a critical need for accessible, objective tools that can aid in gait assessment while preserving patient privacy. In this work, we present a mobile phone-based, privacy-preserving artificial intelligence (AI) system for classifying gait impairments and introduce a novel dataset of 743 videos capturing seven distinct gait patterns. The dataset consists of frontal and sagittal views of trained subjects simulating normal gait and six types of pathological gait (circumduction, Trendelenburg, antalgic, crouch, Parkinsonian, and vaulting), recorded using standard mobile phone cameras. Our system achieved 86.5% accuracy using combined frontal and sagittal views, with sagittal views generally outperforming frontal views except for specific gait patterns like Circumduction. Model feature importance analysis revealed that frequency-domain features and entropy measures were critical for classifcation performance, specifically lower limb keypoints proved most important for classification, aligning with clinical understanding of gait assessment. These findings demonstrate that mobile phone-based systems can effectively classify diverse gait patterns while preserving privacy through on-device processing. The high accuracy achieved using simulated gait data suggests their potential for rapid prototyping of gait analysis systems, though clinical validation with patient data remains necessary. This work represents a significant step toward accessible, objective gait assessment tools for clinical, community, and tele-rehabilitation settings
• Abstract（参考訳）: 歩行障害の正確な診断は、しばしば主観的または費用がかかる評価方法によって妨げられ、現在の解決策は高価なマルチカメラ機器を必要とするか、主観的な臨床観察に依存する。 患者プライバシを保護しながら歩行評価を支援する、アクセスしやすく客観的なツールが不可欠である。 本研究では、歩行障害を分類するための携帯電話ベースのプライバシ保護人工知能(AI)システムを提案し、7つの異なる歩行パターンをキャプチャする773ビデオのデータセットを提案する。 このデータセットは、通常の歩行をシミュレートする訓練対象と、標準的な携帯電話カメラを用いて記録された6種類の病理歩行(循環、トレンテレンブルク、アンタルジック、しゃがみ、パーキンソン、跳躍)からなる。 本システムでは,正面視と矢状視を併用して86.5%の精度を達成した。 モデル特徴量分析により,周波数領域の特徴とエントロピー尺度が分類性能に重要であることが明らかとなり,特に下肢のキーポイントは歩行評価の臨床的理解と一致した。 これらの結果から、携帯電話ベースのシステムは、デバイス上での処理によってプライバシーを保ちながら、多様な歩行パターンを効果的に分類できることが示唆された。 シミュレーション歩行データを用いて得られた高い精度は、患者データによる臨床検証は必要だが、歩行分析システムの迅速なプロトタイピングの可能性を示している。 この研究は、臨床、コミュニティ、遠隔リハビリテーション設定のための、アクセス可能で客観的歩行評価ツールへの重要な一歩である。

関連論文リスト

• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• CellPilot [3.2096430458509317]
  この作業では,自動セグメンテーションとインタラクティブセグメンテーションのギャップを埋めるフレームワークであるCellPilotを導入する。 本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。 このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットを作成するのを支援するように設計されています。
  論文  参考訳（メタデータ） (2024-11-23T10:31:10Z)
• Unsupervised Model Diagnosis [49.36194740479798]
  本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。 提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
  論文  参考訳（メタデータ） (2024-10-08T17:59:03Z)
• Early Explorations of Lightweight Models for Wound Segmentation on Mobile Devices [2.5366917759824017]
  高齢化は、高齢者の慢性的な傷の増加など、医療に多くの課題をもたらす。 セラピストによる創傷評価への現在のアプローチは主観的であり、スマートフォン写真からコンピュータ支援による創傷認識の必要性を強調している。 スマートフォンをベースとした創傷セグメンテーションに適した3つの軽量アーキテクチャについて,初期研究を行った。
  論文  参考訳（メタデータ） (2024-07-10T12:44:22Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• XAI-based gait analysis of patients walking with Knee-Ankle-Foot orthosis using video cameras [1.8749305679160366]
  本稿では,カメラの動きに頑健な歩行解析システムを提案する。 提案システムは,前処理時に超解像とポーズ推定を用いる。 次に、ストライド長、ステップ長、フォーメーションの7つの特徴、正統および非正統の脚、ケイデンス、スピードの単独サポートを識別する。
  論文  参考訳（メタデータ） (2024-02-25T19:05:10Z)
• Data-Driven Goal Recognition in Transhumeral Prostheses Using Process Mining Techniques [7.95507524742396]
  アクティブな義肢は、リアルに評価された連続的なセンサーデータを使用して、患者の標的のポーズや目標を認識し、人工肢を積極的に移動させる。 これまでの研究では、静止ポーズで収集されたデータが、時間ステップを考慮せずに、目標の識別にどの程度役立つかが研究されてきた。 我々のアプローチは、データを離散的なイベントに変換し、既存のプロセスマイニングベースのゴール認識システムを訓練することである。
  論文  参考訳（メタデータ） (2023-09-15T02:03:59Z)
• Trustworthy Visual Analytics in Clinical Gait Analysis: A Case Study for Patients with Cerebral Palsy [43.55994393060723]
  gaitXplorerは、CP関連歩行パターンの分類のための視覚分析手法である。 Grad-CAMは、機械学習の分類の説明のために、よく確立された説明可能な人工知能アルゴリズムである。
  論文  参考訳（メタデータ） (2022-08-10T09:21:28Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Deep CNNs for Peripheral Blood Cell Classification [0.0]
  我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。 血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
  論文  参考訳（メタデータ） (2021-10-18T17:56:07Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。