論文の概要: End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills

• arxiv url: http://arxiv.org/abs/2504.03681v1
• Date: Fri, 21 Mar 2025 22:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:52:52.525672
• Title: End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills
• Title（参考訳）: 実時間ニューロイメージングのためのエンド・ツー・エンドディープラーニングによるバイマニアルモータスキルの評価
• Authors: Aseem Subedi, Rahul, Lora Cavuoto, Steven Schwaitzberg, Matthew Hackett, Jack Norfleet, Suvranu De,
• Abstract要約: 本研究では,fNIRS信号を直接処理する新しいエンドツーエンドディープラーニングフレームワークを提案する。 平均分類精度は93.9%(SD 4.4)、一般化精度は92.6%(SD 1.9)である。
• 参考スコア（独自算出の注目度）: 1.710146779965826
• License:
• Abstract: The real-time assessment of complex motor skills presents a challenge in fields such as surgical training and rehabilitation. Recent advancements in neuroimaging, particularly functional near-infrared spectroscopy (fNIRS), have enabled objective assessment of such skills with high accuracy. However, these techniques are hindered by extensive preprocessing requirements to extract neural biomarkers. This study presents a novel end-to-end deep learning framework that processes raw fNIRS signals directly, eliminating the need for intermediate preprocessing steps. The model was evaluated on datasets from three distinct bimanual motor tasks--suturing, pattern cutting, and endotracheal intubation (ETI)--using performance metrics derived from both training and retention datasets. It achieved a mean classification accuracy of 93.9% (SD 4.4) and a generalization accuracy of 92.6% (SD 1.9) on unseen skill retention datasets, with a leave-one-subject-out cross-validation yielding an accuracy of 94.1% (SD 3.6). Contralateral prefrontal cortex activations exhibited task-specific discriminative power, while motor cortex activations consistently contributed to accurate classification. The model also demonstrated resilience to neurovascular coupling saturation caused by extended task sessions, maintaining robust performance across trials. Comparative analysis confirms that the end-to-end model performs on par with or surpasses baseline models optimized for fully processed fNIRS data, with statistically similar (p<0.05) or improved prediction accuracies. By eliminating the need for extensive signal preprocessing, this work provides a foundation for real-time, non-invasive assessment of bimanual motor skills in medical training environments, with potential applications in robotics, rehabilitation, and sports.
• Abstract（参考訳）: 複雑な運動能力のリアルタイム評価は、外科訓練やリハビリテーションなどの分野において課題となる。 近年のニューロイメージング、特に機能的近赤外分光法(fNIRS)は、これらの技術を高い精度で客観的な評価を可能にしている。 しかし、これらの技術は、神経バイオマーカーを抽出するための広範な前処理の要求によって妨げられている。 本研究では,fNIRS信号を直接処理し,中間処理ステップの必要をなくした新しいエンドツーエンドディープラーニングフレームワークを提案する。 このモデルは、トレーニングと保持の両方のデータセットから得られたパフォーマンス指標を用いて、異なる3つのバイマダルモータータスク、すなわち、停止、パターンカット、および気管内挿管(ETI)のデータセットに基づいて評価した。 平均分類精度は93.9%(SD 4.4)、一般化精度は92.6%(SD 1.9)で、残留単射式クロスバリデーションは94.1%(SD 3.6)である。 片側前頭前野の活性化はタスク特異的な識別力を示し, 運動野の活性化は常に正確な分類に寄与した。 モデルはまた、拡張タスクセッションによって引き起こされる神経血管結合飽和に対するレジリエンスを示し、トライアル全体にわたって堅牢なパフォーマンスを維持した。 比較分析により、エンドツーエンドモデルは、完全に処理されたfNIRSデータに最適化されたベースラインモデルと同程度に動作し、統計的に類似している(p<0.05)か、予測精度が向上していることを確認した。 広汎な信号前処理の必要性をなくすことにより、この研究は、ロボット工学、リハビリテーション、スポーツにおける潜在的な応用を含む、医療訓練環境における、リアルタイムで非侵襲的なバイマナルモータースキルの評価の基礎を提供する。

関連論文リスト

• Robust Feature Engineering Techniques for Designing Efficient Motor Imagery-Based BCI-Systems [0.0]
  この研究は、MI Limb EEGデータセットの詳細な分析を提供する。 神経リハビリテーションのためのシンプルで費用効率の良い信頼性の高いBCIシステムを設計・開発するのに役立つだろう。
  論文  参考訳（メタデータ） (2024-12-10T04:17:22Z)
• The Surprising Effectiveness of Test-Time Training for Few-Shot Learning [59.309477460893916]
  言語モデル(LM)は、トレーニングディストリビューション内のタスクにおいて印象的なパフォーマンスを示しているが、しばしば構造的に新しいタスクで苦労している。 LMの推論と少数ショット学習能力を改善するメカニズムとして,テストタイムトレーニング(TTT)の有効性を検討する。 本研究は,新しいタスクにおける文脈内学習の限界を強調し,言語モデルの適応性を高めるためのテストタイムトレーニングの可能性を示した。
  論文  参考訳（メタデータ） (2024-11-11T18:59:45Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse Pre-Processing Techniques and Machine Learning Models [0.0]
  脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。 本分析の結果は,各モデルの性能を精度で示すものである。 ETモデルは99.29%の精度で最高の性能を示した。
  論文  参考訳（メタデータ） (2023-08-06T08:50:08Z)
• Bayesian Time-Series Classifier for Decoding Simple Visual Stimuli from Intracranial Neural Activity [0.0]
  本稿では,ハイレベルな解釈性を維持しつつ,課題に対処する簡易なベイズ時系列分類器(BTsC)モデルを提案する。 視覚的タスクにおける色をデコードするためにニューラルネットワークを利用することで、このアプローチの分類能力を実証する。 提案手法は,様々なタスクで記録されたニューラルデータに適用可能である。
  論文  参考訳（メタデータ） (2023-07-28T17:04:06Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
  非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。 生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
  論文  参考訳（メタデータ） (2022-09-24T15:04:23Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Towards data-driven stroke rehabilitation via wearable sensors and deep learning [13.839058010830971]
  脳卒中の前臨床モデルでは、動物の手足の機能的運動を回復するために、高用量のリハビリテーション訓練が必要である。 しかしながら、ヒトでは、回復を促進するために必要な訓練量は不明である。 そこで我々は,機能的プリミティブを自動的に識別する重要な第一歩を踏み出した。
  論文  参考訳（メタデータ） (2020-04-14T18:05:44Z)

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。