論文の概要: Prediction of Freezing of Gait in Parkinsons Disease using Explainable AI and Federated Deep Learning for Wearable Sensors

• arxiv url: http://arxiv.org/abs/2507.01068v1
• Date: Tue, 01 Jul 2025 01:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.831112
• Title: Prediction of Freezing of Gait in Parkinsons Disease using Explainable AI and Federated Deep Learning for Wearable Sensors
• Title（参考訳）: 説明可能なAIとフェデレーション深層学習によるパーキンソン病歩行の凍結予測
• Authors: Biplov Paneru,
• Abstract要約: 本研究では、慣性計測ユニット(IMU)データセットを用いて、歩行凍結の早期検出と予測のための説明可能なAI手法を開発する。 Stacking Ensembleモデルは、ハイブリッド双方向GRUモデルを超え、99%近い分類精度を達成し、優れた性能を達成する。 提案するFOG予測フレームワークには,各デバイス上でモデルをローカルにトレーニングし,中央サーバに集約するフェデレーション学習が組み込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study leverages an Inertial Measurement Unit (IMU) dataset to develop explainable AI methods for the early detection and prediction of Freezing of Gait (FOG), a common symptom in Parkinson's disease. Machine learning models, including CatBoost, XGBoost, and Extra Trees classifiers, are employed to accurately categorize FOG episodes based on relevant clinical features. A Stacking Ensemble model achieves superior performance, surpassing a hybrid bidirectional GRU model and reaching nearly 99% classification accuracy. SHAP interpretability analysis reveals that time (seconds) is the most influential factor in distinguishing gait patterns. Additionally, the proposed FOG prediction framework incorporates federated learning, where models are trained locally on individual devices and aggregated on a central server using a federated averaging approach, utilizing a hybrid Conv1D + LSTM architecture for enhanced predictive capability.
• Abstract（参考訳）: 本研究では、慣性計測ユニット(IMU)データセットを用いて、パーキンソン病の一般的な症状である歩行凍結(FOG)の早期発見と予測のための説明可能なAI手法を開発する。 CatBoost、XGBoost、Extra Trees分類器を含む機械学習モデルは、関連する臨床特徴に基づいてFOGエピソードを正確に分類するために使用される。 Stacking Ensembleモデルは、ハイブリッド双方向GRUモデルを超え、99%近い分類精度を達成し、優れた性能を達成する。 SHAPの解釈可能性分析により,歩行パターンを識別する上で,時間(秒)が最も重要な要因であることが判明した。 さらに、FOG予測フレームワークには、個々のデバイス上でモデルをローカルにトレーニングし、フェデレーション平均化アプローチを使用して中央サーバに集約するフェデレーション学習が組み込まれており、予測能力を向上するためにハイブリッドのConv1D + LSTMアーキテクチャを使用している。

関連論文リスト

• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Benchmarking Skeleton-based Motion Encoder Models for Clinical Applications: Estimating Parkinson's Disease Severity in Walking Sequences [3.650839294933459]
  PD患者の歩行パターンを解析するための大規模人間の動作データセットを訓練した一般人動作エンコーダ。 運動障害社会の予測能力について,6つの事前訓練されたヒト運動エンコーダモデルの評価を行った。
  論文  参考訳（メタデータ） (2024-05-28T04:29:10Z)
• 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
  本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。 本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。 提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
  論文  参考訳（メタデータ） (2023-11-06T15:17:17Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

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。