論文の概要: Machine Learning Strategies for Parkinson Tremor Classification Using Wearable Sensor Data

• arxiv url: http://arxiv.org/abs/2501.18671v1
• Date: Thu, 30 Jan 2025 18:36:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 13:58:19.509645
• Title: Machine Learning Strategies for Parkinson Tremor Classification Using Wearable Sensor Data
• Title（参考訳）: ウェアラブルセンサデータを用いたパーキンソン震度分類のための機械学習手法
• Authors: Jesus Paucar-Escalante, Matheus Alves da Silva, Bruno De Lima Sanches, Aurea Soriano-Vargas, Laura Silveira Moriyama, Esther Luna Colombini,
• Abstract要約: 機械学習(ML)は、PD分類と診断精度を高める強力なツールとして登場した。 本調査はパーキンソン震の分類に用いられているML手法を概観的にレビューする。 本稿では,ウェアラブルセンサデータを用いたPD診断にMLを適用する際の課題と問題点について論じる。
• 参考スコア（独自算出の注目度）: 0.4222205362654437
• License:
• Abstract: Parkinson's disease (PD) is a neurological disorder requiring early and accurate diagnosis for effective management. Machine learning (ML) has emerged as a powerful tool to enhance PD classification and diagnostic accuracy, particularly by leveraging wearable sensor data. This survey comprehensively reviews current ML methodologies used in classifying Parkinsonian tremors, evaluating various tremor data acquisition methodologies, signal preprocessing techniques, and feature selection methods across time and frequency domains, highlighting practical approaches for tremor classification. The survey explores ML models utilized in existing studies, ranging from traditional methods such as Support Vector Machines (SVM) and Random Forests to advanced deep learning architectures like Convolutional Neural Networks (CNN) and Long Short-Term Memory networks (LSTM). We assess the efficacy of these models in classifying tremor patterns associated with PD, considering their strengths and limitations. Furthermore, we discuss challenges and discrepancies in current research and broader challenges in applying ML to PD diagnosis using wearable sensor data. We also outline future research directions to advance ML applications in PD diagnostics, providing insights for researchers and practitioners.
• Abstract（参考訳）: パーキンソン病(英: Parkinson's disease、PD)は、神経疾患である。 機械学習(ML)は、特にウェアラブルセンサーデータを活用することにより、PD分類と診断精度を向上させる強力なツールとして登場した。 本研究は, パーキンソン震源の分類における現在のML手法を総合的に検討し, 様々な震源データ取得手法, 信号前処理手法, 時間・周波数領域にわたる特徴選択手法について検討し, 震源分類の実践的アプローチを強調した。 この調査では、SVM(Support Vector Machines)やRandom Forests(Random Forests)といった従来の手法から、畳み込みニューラルネットワーク(CNN)やLong Short-Term Memory Network(LSTM)といった高度なディープラーニングアーキテクチャまで、既存の研究で使用されているMLモデルについて調査している。 我々は,これらのモデルがPDに関連する震動パターンを分類する上で,その強度と限界を考慮して有効性を評価する。 さらに,最近の研究における課題と相違点について考察し,ウェアラブルセンサデータを用いたPD診断にMLを適用する際の幅広い課題について論じる。 また、PD診断におけるML応用の進展に関する今後の研究の方向性を概説し、研究者や実践者への洞察を提供する。

関連論文リスト

• Early Recognition of Parkinson's Disease Through Acoustic Analysis and Machine Learning [0.0]
  パーキンソン病(英: Parkinson's Disease、PD)は、音声を含む運動機能と非運動機能の両方に大きな影響を及ぼす進行性神経変性疾患である。 本稿では,音声データを用いたPD認識手法の総合的なレビューを行い,機械学習とデータ駆動アプローチの進歩を強調した。 ロジスティック回帰、SVM、ニューラルネットワークなど、さまざまな分類アルゴリズムが検討されている。 以上の結果から,特定の音響特性と高度な機械学習技術は,PDと健常者の間で効果的に区別できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-22T23:24:02Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• Exploring Machine Learning Algorithms for Infection Detection Using GC-IMS Data: A Preliminary Study [2.4961885884659987]
  本研究は, 正確な感染診断の現在進行中の問題に対処することを目的としている。 Gas Chromatography-Ion Mobility Spectrometry (GC-IMS)データを利用して、機械学習アルゴリズムを1つのプラットフォームに組み込むことで、この問題に対処することを目指している。
  論文  参考訳（メタデータ） (2024-04-24T09:25:16Z)
• Analysis, Identification and Prediction of Parkinson Disease Sub-Types and Progression through Machine Learning [5.982922468400901]
  本稿では,パーキンソン病の研究において,新たな機械学習フレームワークを用いてPDを異なるサブタイプに分類し,その進展を予測することによって,画期的な進歩を示す。 この革新的なアプローチは、従来の方法論がしばしば見逃すPDマニフェストの微妙だが批判的なパターンを識別することを可能にする。
  論文  参考訳（メタデータ） (2023-06-07T19:54:56Z)
• A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics [1.382077805849933]
  提案モデルは,時系列信号の特性を適応させるために,畳み込みニューラルネットワーク(CNN)から短期記憶(LSTM)へと変換される。 実験結果から,提案モデルでは,パラメータや操作がはるかに少ない複数の評価指標に対して,高品質な診断結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-02T09:49:07Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Epileptic Seizures Detection Using Deep Learning Techniques: A Review [11.545463604424697]
  本研究では,ディープラーニング(DL)技術とニューロイメージングを用いたてんかん発作の自動検出に焦点を当てた。 脳波とMRIを用いたてんかんの診断法について述べる。 脳波とMRIを併用したDLを用いたてんかん自動発作の正確な検出の課題について論じる。
  論文  参考訳（メタデータ） (2020-07-02T17:34:02Z)

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。