論文の概要: Analyzing Patient Daily Movement Behavior Dynamics Using Two-Stage Encoding Model
- arxiv url: http://arxiv.org/abs/2502.09947v1
- Date: Fri, 14 Feb 2025 06:53:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:47:19.897871
- Title: Analyzing Patient Daily Movement Behavior Dynamics Using Two-Stage Encoding Model
- Title(参考訳): 2段階符号化モデルを用いた患者の日常生活行動動態の解析
- Authors: Jin Cui, Alexander Capstick, Payam Barnaghi, Gregory Scott,
- Abstract要約: 本研究では,認知症高齢者の在宅活動記録のデータセットに焦点をあてた。
本稿では,2段階の自己教師型学習手法を提案する。第1段階では,時系列のアクティビティをテキスト文字列に変換し,それを微調整言語モデルで符号化する。
第2段階では、これらの時系列ベクトルは、PageRank法を適用して2次元化され、潜伏状態遷移を分析し、参加者の行動パターンを定量的に評価し、活動バイアスを特定する。
- 参考スコア(独自算出の注目度): 44.39545678576284
- License:
- Abstract: In the analysis of remote healthcare monitoring data, time series representation learning offers substantial value in uncovering deeper patterns of patient behavior, especially given the fine temporal granularity of the data. In this study, we focus on a dataset of home activity records from people living with Dementia. We propose a two-stage self-supervised learning approach. The first stage involves converting time-series activities into text strings, which are then encoded by a fine-tuned language model. In the second stage, these time-series vectors are bi-dimensionalized for applying PageRank method, to analyze latent state transitions to quantitatively assess participants behavioral patterns and identify activity biases. These insights, combined with diagnostic data, aim to support personalized care interventions.
- Abstract(参考訳): 遠隔医療モニタリングデータの解析において、時系列表現学習は患者の行動のより深いパターンを明らかにする上で、特にデータの微細な時間的粒度を考えると、かなりの価値をもたらす。
本研究では,認知症高齢者の在宅活動記録のデータセットに焦点をあてた。
本稿では,2段階の自己教師型学習手法を提案する。
最初の段階では、時系列のアクティビティをテキスト文字列に変換し、それを微調整された言語モデルでエンコードする。
第2段階では、これらの時系列ベクトルは、PageRank法を適用して2次元化され、潜伏状態遷移を分析し、参加者の行動パターンを定量的に評価し、活動バイアスを特定する。
これらの知見は、診断データと組み合わせて、パーソナライズされたケア介入をサポートすることを目的としている。
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) - Temporally Multi-Scale Sparse Self-Attention for Physical Activity Data Imputation [25.76458454501612]
本稿では,最も普及しているウェアラブルセンサデータの1つである,ステップカウントデータ不足の計算問題について検討する。
我々は,300万時間以上のステップ数観測を行うトレーニングセットと,250万時間以上のステップ数観測を行うテストセットからなる,新しい大規模データセットを構築した。
本稿では,ステップカウントデータの時間的マルチスケールな性質を捉えたドメイン知識インフォームドスパース自己アテンションモデルを提案する。
論文 参考訳(メタデータ) (2024-06-27T02:38:25Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳(メタデータ) (2022-01-26T17:54:14Z) - Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。
近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
論文 参考訳(メタデータ) (2021-08-30T18:14:27Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳(メタデータ) (2020-06-15T20:48:43Z) - Spatio-temporal Learning from Longitudinal Data for Multiple Sclerosis
Lesion Segmentation [42.25397672438179]
症例70名を対象に,本法の有効性について検討した。
総合点数では、現状の成果を2.6%改善する。
論文 参考訳(メタデータ) (2020-04-07T19:57:24Z)
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。