論文の概要: Multimodal Sensor Dataset for Monitoring Older Adults Post Lower-Limb Fractures in Community Settings

• arxiv url: http://arxiv.org/abs/2501.13888v1
• Date: Thu, 23 Jan 2025 18:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:52.190872
• Title: Multimodal Sensor Dataset for Monitoring Older Adults Post Lower-Limb Fractures in Community Settings
• Title（参考訳）: 地域における高齢者下肢骨折のモニタリングのためのマルチモーダルセンサデータセット
• Authors: Ali Abedi, Charlene H. Chu, Shehroz S. Khan,
• Abstract要約: 下肢骨折(LLF)は高齢者にとって大きな健康上の問題である。 回復期には、高齢者はしばしば社会的孤立と機能低下に直面している。 本稿では,新しいマルチモーダルセンサデータセットMAISON-LLFを提案する。
• 参考スコア（独自算出の注目度）: 2.166000001057538
• License:
• Abstract: Lower-Limb Fractures (LLF) are a major health concern for older adults, often leading to reduced mobility and prolonged recovery, potentially impairing daily activities and independence. During recovery, older adults frequently face social isolation and functional decline, complicating rehabilitation and adversely affecting physical and mental health. Multi-modal sensor platforms that continuously collect data and analyze it using machine-learning algorithms can remotely monitor this population and infer health outcomes. They can also alert clinicians to individuals at risk of isolation and decline. This paper presents a new publicly available multi-modal sensor dataset, MAISON-LLF, collected from older adults recovering from LLF in community settings. The dataset includes data from smartphone and smartwatch sensors, motion detectors, sleep-tracking mattresses, and clinical questionnaires on isolation and decline. The dataset was collected from ten older adults living alone at home for eight weeks each, totaling 560 days of 24-hour sensor data. For technical validation, supervised machine-learning and deep-learning models were developed using the sensor and clinical questionnaire data, providing a foundational comparison for the research community.
• Abstract（参考訳）: 下肢骨折(LLF)は高齢者にとって大きな健康上の問題であり、しばしば移動力の低下と回復の延長を招き、日常の活動や自立を損なう可能性がある。 回復中、高齢者はしばしば社会的孤立と機能低下に直面し、リハビリを複雑にし、身体と精神の健康に悪影響を及ぼす。 継続的にデータを収集し、機械学習アルゴリズムを使って分析するマルチモーダルセンサープラットフォームは、この人口をリモートで監視し、健康結果を予測することができる。 また、隔離や衰退のリスクがある個人に臨床医に警告することもできる。 本稿では,コミュニティ環境下でLLFから回復した高齢者から収集したマルチモーダルセンサデータセットMAISON-LLFを提案する。 このデータセットには、スマートフォンとスマートウォッチのセンサー、モーション検出器、睡眠追跡マットレス、および隔離と減少に関する臨床アンケートのデータが含まれている。 このデータセットは、自宅で1人で8週間暮らしている10人の高齢者から収集され、合計560日間の24時間センサーデータである。 技術検証のために,センサおよび臨床アンケートデータを用いて,教師付き機械学習モデルとディープラーニングモデルを開発し,研究コミュニティの基盤的比較を行った。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• DAMMI:Daily Activities in a Psychologically Annotated Multi-Modal IoT dataset [10.771838327042609]
  DAMMIデータセットは、この分野の研究者を支援するように設計されている。 これには、ホームインストールされたセンサー、スマートフォンデータ、リストバンド146日以上にわたって収集された高齢者の日々の行動データが含まれている。 データ収集は、新型コロナウイルス(COVID-19)のパンデミック、正月、ラマダンの宗教月など、重要なイベントにまたがる。
  論文  参考訳（メタデータ） (2024-10-05T13:26:54Z)
• Leveraging LLMs to Predict Affective States via Smartphone Sensor Features [6.1930355276269875]
  デジタル表現型は、行動やメンタルヘルスを推測するために、パーソナルデジタルデバイスからデータを収集して分析する。 大型言語モデル(LLM)の出現は、スマートフォンのセンシングデータを理解するための新しいアプローチを提供する。 本研究は, 大学生のスマートフォンセンシングデータに基づいて, LLMを用いて影響を予測し, このギャップを埋めることを目的とする。
  論文  参考訳（メタデータ） (2024-07-11T07:37:52Z)
• Daily Physical Activity Monitoring -- Adaptive Learning from Multi-source Motion Sensor Data [17.604797095380114]
  医療アプリケーションでは、手首のウェアラブルデバイスのような単一のソースからのデータを使用する機械学習モデルを開発する必要性が高まっている。 しかしながら、単一ソースデータを使用することの制限は、人間の活動の全範囲を捉えるのに失敗するため、モデルの精度を損なうことが多い。 実験室で収集したマルチソースデータを活用することにより,日常的なアプリケーションを対象とした機械学習モデルを最適化するトランスファー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-26T01:08:28Z)
• MAISON -- Multimodal AI-based Sensor platform for Older Individuals [3.544570529705401]
  商用スマートデバイスのスケーラブルなクラウドベースのプラットフォームであるMAISONを提案する。 MAISONプラットフォームは、機能的な不具合やパフォーマンス劣化なしに、センサデータをクラウドに収集、保存することができる。 本稿では,高齢者ホームにおけるプラットフォーム開発における課題とデータ収集について論じる。
  論文  参考訳（メタデータ） (2022-11-07T15:09:04Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• Interpretable Deep Learning for the Remote Characterisation of Ambulation in Multiple Sclerosis using Smartphones [3.5547766520356547]
  スマートフォンの慣性センサデータに適用した深層畳み込みニューラルネットワーク (dcnn) は, 健常者とms群との区別が良好であった。 同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。 ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
  論文  参考訳（メタデータ） (2021-03-16T16:15:49Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)
• 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。