論文の概要: InceptoFormer: A Multi-Signal Neural Framework for Parkinson's Disease Severity Evaluation from Gait
- arxiv url: http://arxiv.org/abs/2508.04540v1
- Date: Wed, 06 Aug 2025 15:27:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.786717
- Title: InceptoFormer: A Multi-Signal Neural Framework for Parkinson's Disease Severity Evaluation from Gait
- Title（参考訳）: InceptoFormer:歩行によるパーキンソン病重症度評価のための多信号ニューラルネットワークフレームワーク
- Authors: Safwen Naimi, Arij Said, Wassim Bouachir, Guillaume-Alexandre Bilodeau,
- Abstract要約: InceptoFormerは、歩行動態解析によるパーキンソン病重症度評価のために設計された多信号ニューラルネットワークフレームワークである。
我々のアーキテクチャでは、インセプションモデルの1D適応を導入し、それをインセプション1Dと呼び、Hehn and Yahr(H&Y)スケールに従ってPD重大化を行うトランスフォーマーベースのフレームワークも導入しています。
InceptoFormerは96.6%の精度を達成し、PD重大度評価において既存の最先端手法よりも優れている。
- 参考スコア（独自算出の注目度）: 6.155129200870887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present InceptoFormer, a multi-signal neural framework designed for Parkinson's Disease (PD) severity evaluation via gait dynamics analysis. Our architecture introduces a 1D adaptation of the Inception model, which we refer to as Inception1D, along with a Transformer-based framework to stage PD severity according to the Hoehn and Yahr (H&Y) scale. The Inception1D component captures multi-scale temporal features by employing parallel 1D convolutional filters with varying kernel sizes, thereby extracting features across multiple temporal scales. The transformer component efficiently models long-range dependencies within gait sequences, providing a comprehensive understanding of both local and global patterns. To address the issue of class imbalance in PD severity staging, we propose a data structuring and preprocessing strategy based on oversampling to enhance the representation of underrepresented severity levels. The overall design enables to capture fine-grained temporal variations and global dynamics in gait signal, significantly improving classification performance for PD severity evaluation. Through extensive experimentation, InceptoFormer achieves an accuracy of 96.6%, outperforming existing state-of-the-art methods in PD severity assessment. The source code for our implementation is publicly available at https://github.com/SafwenNaimi/InceptoFormer
- Abstract（参考訳）: 歩行動態解析によるパーキンソン病重症度評価のための多信号ニューラルネットワークフレームワークであるInceptoFormerを提案する。
我々のアーキテクチャでは、インセプションモデルの1D適応を導入し、それをインセプション1Dと呼び、Hehn and Yahr(H&Y)スケールに従ってPD重大化を行うトランスフォーマーベースのフレームワークも導入しています。
Inception1Dコンポーネントは、カーネルサイズが異なる並列1D畳み込みフィルタを用いることで、マルチスケールの時間的特徴をキャプチャし、複数の時間的スケールにまたがる特徴を抽出する。
トランスフォーマーコンポーネントは、歩行シーケンス内の長距離依存関係を効率的にモデル化し、局所パターンとグローバルパターンの両方を包括的に理解する。
PD重度ステージングにおけるクラス不均衡の問題に対処するため,オーバーサンプリングに基づくデータ構造化と事前処理の戦略を提案し,疎度レベルを表現することを提案する。
全体的な設計により、歩行信号の微粒な時間変動と大域的ダイナミクスを捉えることができ、PD重大度評価の分類性能を著しく向上させることができる。
広範な実験を通じて、InceptoFormerは96.6%の精度を達成し、PD重大度評価における既存の最先端手法よりも優れている。
私たちの実装のソースコードはhttps://github.com/SafwenNaimi/InceptoFormerで公開されています。
関連論文リスト
- UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。
UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。
総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-07-24T12:33:10Z) - Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。
Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
論文 参考訳（メタデータ） (2025-06-24T17:58:02Z) - Traversing Distortion-Perception Tradeoff using a Single Score-Based Generative Model [35.91741991271154]
歪み知覚トレードオフは、歪みメトリクスと知覚品質の根本的な矛盾を明らかにします。
本稿では,1つのスコアネットワークがDPトレードオフを効果的かつ柔軟に越えられることを示す。
論文 参考訳（メタデータ） (2025-03-26T07:37:53Z) - Resolve Domain Conflicts for Generalizable Remote Physiological Measurement [39.0083078989343]
リモート光胸腺撮影のためのDOHA(DOmain-Honious framework)を提案する。
本稿では,不確実な位相遅延を排除し,生理的信号の変動を抑えるための位相戦略を提案する。
次に,非関係な属性シフトを低減する超平面最適化を設計する。
実験により,複数プロトコルの既存手法の性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-04-11T15:51:52Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - 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) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Fourier Test-time Adaptation with Multi-level Consistency for Robust
Classification [10.291631977766672]
本稿では,Fourier Test-Time Adaptation (FTTA) と呼ばれる新しい手法を提案する。
FTTAは、予測の自己監督を行うために、ペア入力の信頼性の高い多レベル整合性測定を構築する。
異なる形態と器官を持つ3つの大きな分類データセットで広範囲に検証された。
論文 参考訳（メタデータ） (2023-06-05T02:29:38Z) - f-DM: A Multi-stage Diffusion Model via Progressive Signal
Transformation [56.04628143914542]
拡散モデル(DM)は、最近、様々な領域で生成モデリングを行うためのSoTAツールとして登場した。
本稿では、プログレッシブ信号変換が可能なDMの一般化されたファミリであるf-DMを提案する。
我々は、ダウンサンプリング、ぼやけ、学習された変換を含む様々な機能を持つ画像生成タスクにf-DMを適用した。
論文 参考訳（メタデータ） (2022-10-10T18:49:25Z) - SUMD: Super U-shaped Matrix Decomposition Convolutional neural network
for Image denoising [0.0]
ネットワークに行列分解モジュール(MD)を導入し,グローバルなコンテキスト機能を確立する。
U字型アーキテクチャの多段階的プログレッシブ復元の設計に触発されて,MDモジュールをマルチブランチに統合する。
我々のモデル(SUMD)は、Transformerベースの手法で、同等の視覚的品質と精度が得られる。
論文 参考訳（メタデータ） (2022-04-11T04:38:34Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Out-of-Domain Human Mesh Reconstruction via Dynamic Bilevel Online
Adaptation [87.85851771425325]
我々は、人間のメッシュ再構成モデルをドメイン外ストリーミングビデオに適用する際の新しい問題を考える。
オンライン適応によってこの問題に対処し、テスト中のモデルのバイアスを徐々に修正します。
動的バイレベルオンライン適応アルゴリズム(DynaBOA)を提案する。
論文 参考訳（メタデータ） (2021-11-07T07:23:24Z)
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。