論文の概要: On the Bias, Fairness, and Bias Mitigation for a Wearable-based Freezing of Gait Detection in Parkinson's Disease

• arxiv url: http://arxiv.org/abs/2502.09626v1
• Date: Wed, 29 Jan 2025 18:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 04:52:21.139266
• Title: On the Bias, Fairness, and Bias Mitigation for a Wearable-based Freezing of Gait Detection in Parkinson's Disease
• Title（参考訳）: パーキンソン病における歩行検出用ウェアラブルのバイアス・フェアネス・バイアス軽減効果について
• Authors: Timothy Odonga, Christine D. Esper, Stewart A. Factor, J. Lucas McKay, Hyeokhyen Kwon,
• Abstract要約: 歩行の凍結(FOG)はパーキンソン病(PD)の不安定な特徴である ウェアラブルベースのヒューマンアクティビティ認識(HAR)技術の最近の進歩により、ベンチマークデータセット間でFOGサブタイプの検出が可能になった。 本研究では,HARモデルによる人口動態とPD条件によるウェアラブル型FOG検出のバイアスと公平性について検討した。
• 参考スコア（独自算出の注目度）: 0.20971479389679332
• License:
• Abstract: Freezing of gait (FOG) is a debilitating feature of Parkinson's disease (PD), which is a cause of injurious falls among PD patients. Recent advances in wearable-based human activity recognition (HAR) technology have enabled the detection of FOG subtypes across benchmark datasets. Since FOG manifestation is heterogeneous, developing models that quantify FOG consistently across patients with varying demographics, FOG types, and PD conditions is important. Bias and fairness in FOG models remain understudied in HAR, with research focused mainly on FOG detection using single benchmark datasets. We evaluated the bias and fairness of HAR models for wearable-based FOG detection across demographics and PD conditions using multiple datasets and the effectiveness of transfer learning as a potential bias mitigation approach. Our evaluation using demographic parity ratio (DPR) and equalized odds ratio (EOR) showed model bias (DPR & EOR < 0.8) for all stratified demographic variables, including age, sex, and disease duration. Our experiments demonstrated that transfer learning from multi-site datasets and generic human activity representations significantly improved fairness (average change in DPR +0.027, +0.039, respectively) and performance (average change in F1-score +0.026, +0.018, respectively) across attributes, supporting the hypothesis that generic human activity representations learn fairer representations applicable to health analytics.
• Abstract（参考訳）: 歩行の凍結(FOG)はパーキンソン病(PD)の不安定な特徴である。 ウェアラブルベースのヒューマンアクティビティ認識(HAR)技術の最近の進歩により、ベンチマークデータセット間でFOGサブタイプの検出が可能になった。 FOGの出現は異種であるため、さまざまな人口層、FOGタイプ、PD状態の患者に対して、FOGを一貫して定量化するモデルを開発することが重要である。 FOGモデルのバイアスと公平性は、HARで研究されており、主に単一のベンチマークデータセットを用いたFOG検出に焦点を当てている。 我々は,複数のデータセットを用いて,ウェアラブル型FOG検出のためのHARモデルのバイアスと公平性を評価し,伝達学習の有効性を潜在的なバイアス軽減手法として評価した。 また, 年齢, 性別, 病期など, 階層化された全ての人口動態のモデルバイアス (DPR & EOR < 0.8) について, 人口パーティ比 (DPR) と等化オッズ比 (EOR) を用いた評価を行った。 実験の結果,多地点のデータセットと汎用的人間活動表現からの伝達学習は,属性間のフェアネス(DPR+0.027,+0.039の平均変化)とパフォーマンス(F1-score+0.026,+0.018の平均変化)を有意に改善し,総合的人間活動表現が健康分析に適合するフェアネス表現を学習する仮説を支持した。

関連論文リスト

• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Fair Patient Model: Mitigating Bias in the Patient Representation Learned from the Electronic Health Records [7.467693938220289]
  提案モデルをMIMIC-IIIデータセットから34,739名の患者に適用した。 FPMは3つの公正度指標(人口格差、機会差の平等、等化確率比)でベースラインモデルを上回った。
  論文  参考訳（メタデータ） (2023-06-05T18:40:35Z)
• Interpretable Classification of Early Stage Parkinson's Disease from EEG [0.6597195879147557]
  本稿では,脳波データを用いたパーキンソン病の早期発見のための新しいアプローチを提案する。 この表現は、ノイズの多い脳波信号から必須情報を捕捉し、疾患検出を改善するという仮説である。 この表現から抽出された統計的特徴は、解釈可能な機械学習モデルの入力として利用される。 この論文で示された結果は、パーキンソンの4つの初期段階のケースのうち3つ以上がパイプラインでキャプチャされることを示している。
  論文  参考訳（メタデータ） (2023-01-20T16:11:02Z)
• Unsupervised EHR-based Phenotyping via Matrix and Tensor Decompositions [0.6875312133832078]
  本稿では,低ランク近似に基づく計算表現法について概観する。 近年,様々な制約を組み込んだ低ランクデータ近似手法が開発され,解釈可能性の向上が図られている。
  論文  参考訳（メタデータ） (2022-09-01T09:47:27Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。