論文の概要: Vision-Based Embedded System for Noncontact Monitoring of Preterm Infant Behavior in Low-Resource Care Settings

• arxiv url: http://arxiv.org/abs/2509.02018v1
• Date: Tue, 02 Sep 2025 07:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.932817
• Title: Vision-Based Embedded System for Noncontact Monitoring of Preterm Infant Behavior in Low-Resource Care Settings
• Title（参考訳）: 低リソース養護施設における乳幼児の早期行動の非接触モニタリングのためのビジョンベース組込みシステム
• Authors: Stanley Mugisha, Rashid Kisitu, Francis Komakech, Excellence Favor,
• Abstract要約: 出生前は新生児死亡の主な原因であり、先進的新生児集中治療ユニット(NICUs)へのアクセスが制限された低リソース環境に不均等に影響を及ぼす 本稿では,このギャップに対処する新しい,非侵襲的で自動化された視覚ベースのフレームワークを提案する。 Raspberry Pi上にデプロイされた量子化されたMobileNetモデルを用いて,リアルタイムな動作状態検出を行う組込み監視システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Preterm birth remains a leading cause of neonatal mortality, disproportionately affecting low-resource settings with limited access to advanced neonatal intensive care units (NICUs).Continuous monitoring of infant behavior, such as sleep/awake states and crying episodes, is critical but relies on manual observation or invasive sensors, which are prone to error, impractical, and can cause skin damage. This paper presents a novel, noninvasive, and automated vision-based framework to address this gap. We introduce an embedded monitoring system that utilizes a quantized MobileNet model deployed on a Raspberry Pi for real-time behavioral state detection. When trained and evaluated on public neonatal image datasets, our system achieves state-of-the-art accuracy (91.8% for sleep detection and 97.7% for crying/normal classification) while maintaining computational efficiency suitable for edge deployment. Through comparative benchmarking, we provide a critical analysis of the trade-offs between model size, inference latency, and diagnostic accuracy. Our findings demonstrate that while larger architectures (e.g., ResNet152, VGG19) offer marginal gains in accuracy, their computational cost is prohibitive for real-time edge use. The proposed framework integrates three key innovations: model quantization for memory-efficient inference (68% reduction in size), Raspberry Pi-optimized vision pipelines, and secure IoT communication for clinical alerts. This work conclusively shows that lightweight, optimized models such as the MobileNet offer the most viable foundation for scalable, low-cost, and clinically actionable NICU monitoring systems, paving the way for improved preterm care in resource-constrained environments.
• Abstract（参考訳）: 出生前は新生児死亡の主な原因であり、先進的な新生児集中治療ユニット(NICUs)へのアクセスが制限された低リソース環境に不釣り合いに影響を及ぼす。 睡眠・覚醒状態や泣くエピソードなどの幼児の行動の継続的なモニタリングは重要であるが、手動による観察や侵襲的なセンサーに依存しており、これは誤りや非現実的であり、皮膚の損傷を引き起こす可能性がある。 本稿では,このギャップに対処する新しい,非侵襲的で自動化された視覚ベースのフレームワークを提案する。 Raspberry Pi上にデプロイされた量子化されたMobileNetモデルを用いて,リアルタイムな動作状態検出を行う組込み監視システムを提案する。 公立新生児画像データセットをトレーニングし評価すると, 最先端の精度(睡眠検出91.8%, 涙・正常分類97.7%)を達成し, エッジ展開に適した計算効率を維持した。 比較ベンチマークを通じて、モデルサイズ、推論レイテンシ、診断精度のトレードオフを批判的に分析する。 以上の結果から,大規模アーキテクチャ(ResNet152,VGG19)では精度が限界となるが,リアルタイムエッジでは計算コストが制限されることがわかった。 提案されたフレームワークは,メモリ効率の高い推論のためのモデル量子化(68%の削減),Raspberry Pi最適化ビジョンパイプライン,臨床アラートのためのセキュアなIoT通信という,3つの重要なイノベーションを統合している。 この研究は、MobileNetのような軽量で最適化されたモデルが、スケーラブルで低コストで、臨床的に実行可能なNICUモニタリングシステムに最も有効な基盤を提供し、リソース制約のある環境での早期ケアを改善する道を開くことを、決定的に示している。

関連論文リスト

• End to End Autoencoder MLP Framework for Sepsis Prediction [10.151360630975482]
  セプシス(Sepsis)は、集中治療環境でのタイムリーな検出を必要とする生命の脅威である。 Naive Bayesを含む従来の機械学習アプローチは、不規則で不完全な時系列データに苦戦している。 自動特徴抽出のための教師なしオートエンコーダを統合したエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T05:22:48Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection [2.206534289238751]
  新生児発作検出のゴールドスタンダードは、現在連続したビデオEEGモニタリングに依存している。 脳波モンタージュを低減した新生児発作検出プロセスを自動化するための新しい説明可能な深層学習モデルを提案する。 提案したモデルは、それぞれ曲線下面積(AUC)とリコールにおける8.31%と42.86%の絶対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-06-04T10:53:56Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• TinyAD: Memory-efficient anomaly detection for time series data in Industrial IoT [43.207210990362825]
  我々は,リアルタイムな異常検出のためのCNNのオンボード推論を効率的に行うための,Tiny Anomaly Detection (TinyAD) という新しいフレームワークを提案する。 CNNのピークメモリ消費を低減するため、我々は2つの相補的戦略、 in-place と patch-by-patch のメモリ再スケジューリングについて検討する。 我々のフレームワークは、オーバーヘッドを無視してピークメモリ消費を2～5倍削減できる。
  論文  参考訳（メタデータ） (2023-03-07T02:56:15Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)

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。