論文の概要: Outlier Detection in Plantar Pressure: Human-Centered Comparison of Statistical Parametric Mapping and Explainable Machine Learning

• arxiv url: http://arxiv.org/abs/2509.21943v1
• Date: Fri, 26 Sep 2025 06:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.236209
• Title: Outlier Detection in Plantar Pressure: Human-Centered Comparison of Statistical Parametric Mapping and Explainable Machine Learning
• Title（参考訳）: プラント圧力の異常検出:統計的パラメトリックマッピングと説明可能な機械学習の人間中心比較
• Authors: Carlo Dindorf, Jonas Dully, Steven Simon, Dennis Perchthaler, Stephan Becker, Hannah Ehmann, Kjell Heitmann, Bernd Stetter, Christian Diers, Michael Fröhlich,
• Abstract要約: 統計的パラメトリックマッピング(SPM)は、解釈可能な解析を提供するが、アライメントに敏感であり、ロバストな外れ値検出能力は未だ不明である。 本研究では、SPMアプローチと説明可能な機械学習(ML)アプローチを比較して、プラント圧力データセットのための透明な品質制御パイプラインを確立する。
• 参考スコア（独自算出の注目度）: 0.6990756918994179
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Plantar pressure mapping is essential in clinical diagnostics and sports science, yet large heterogeneous datasets often contain outliers from technical errors or procedural inconsistencies. Statistical Parametric Mapping (SPM) provides interpretable analyses but is sensitive to alignment and its capacity for robust outlier detection remains unclear. This study compares an SPM approach with an explainable machine learning (ML) approach to establish transparent quality-control pipelines for plantar pressure datasets. Data from multiple centers were annotated by expert consensus and enriched with synthetic anomalies resulting in 798 valid samples and 2000 outliers. We evaluated (i) a non-parametric, registration-dependent SPM approach and (ii) a convolutional neural network (CNN), explained using SHapley Additive exPlanations (SHAP). Performance was assessed via nested cross-validation; explanation quality via a semantic differential survey with domain experts. The ML model reached high accuracy and outperformed SPM, which misclassified clinically meaningful variations and missed true outliers. Experts perceived both SPM and SHAP explanations as clear, useful, and trustworthy, though SPM was assessed less complex. These findings highlight the complementary potential of SPM and explainable ML as approaches for automated outlier detection in plantar pressure data, and underscore the importance of explainability in translating complex model outputs into interpretable insights that can effectively inform decision-making.
• Abstract（参考訳）: 植物圧マッピングは臨床診断やスポーツ科学において不可欠であるが、大きな異種データセットには技術的な誤りや手続き上の不整合からの外れ値が含まれることが多い。 統計的パラメトリックマッピング(SPM)は、解釈可能な解析を提供するが、アライメントに敏感であり、ロバストな外れ値検出能力は未だ不明である。 本研究では、SPMアプローチと説明可能な機械学習(ML)アプローチを比較して、プラント圧力データセットのための透明な品質制御パイプラインを確立する。 複数のセンターのデータは専門家の合意によって注釈付けされ、合成異常が豊富になり、798の有効なサンプルと2000の外れ値が得られた。 評価 (i)非パラメトリック、登録依存SPMアプローチ及び (II)畳み込みニューラルネットワーク(CNN)はSHAP(SHapley Additive exPlanations)を用いて説明される。 パフォーマンスはネストしたクロスバリデーションによって評価され、ドメインの専門家によるセマンティックディファレンシャルサーベイによって説明される。 MLモデルは精度が高く,SPMは臨床的に有意な変動を誤分類し,真のアウトリーチを欠いた。 専門家は、SPMとSHAPの説明は明確で、有用で、信頼できるとみなしたが、SPMはより複雑ではないと評価された。 これらの知見は,SPMと説明可能なMLの相補的ポテンシャルを,プラント圧力データにおける自動外乱検出のアプローチとして強調し,複雑なモデル出力を解釈可能な洞察に翻訳する際の説明可能性の重要性を強調した。

関連論文リスト

• Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data [5.591260685112265]
  SCOREは、患者埋め込みを通じて多領域の疾患プロファイルをキャプチャする半教師付き表現学習フレームワークである。 大規模データの計算課題に対処するため、ハイブリッド期待最大化(EM)とガウス変分近似(GVA)アルゴリズムを導入している。 分析の結果,ラベル付きデータの導入により精度が向上し,ラベル不足に対する感度が低下することがわかった。
  論文  参考訳（メタデータ） (2025-05-27T05:20:17Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [64.74977204942199]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• SHIP: A Shapelet-based Approach for Interpretable Patient-Ventilator Asynchrony Detection [3.580340090571342]
  PVA(Patent-ventilator asynchrony)は、機械的換気の際の一般的な問題であり、最大85%の患者に影響を及ぼす。 PVA検出のためのシェープレットベースアプローチ ShiP を提案する。 本手法は,シェープレットに基づくデータ拡張によるデータセットの不均衡に対処し,より効果的な分類のために,シェープレットプールを構築してデータセットを変換する。
  論文  参考訳（メタデータ） (2025-03-09T11:58:03Z)
• SIDE: Surrogate Conditional Data Extraction from Diffusion Models [32.18993348942877]
  textbfSurrogate condItional Data extract (SIDE) は、データ駆動型サロゲート条件を構築し、任意のDPMからターゲット抽出を可能にするフレームワークである。 SIDEは、いわゆる安全無条件モデルからトレーニングデータを抽出し、条件付きモデルであってもベースラインアタックより優れていることを示す。 我々の研究は、DPMの脅威状況を再定義し、厳密な条件付けを基本的な脆弱性として確立し、モデルプライバシ評価のための新しいより強力なベンチマークを設定します。
  論文  参考訳（メタデータ） (2024-10-03T13:17:06Z)
• Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
  本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。 ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
  論文  参考訳（メタデータ） (2023-12-17T00:42:42Z)
• Unsupervised representation learning with recognition-parametrised probabilistic models [12.865596223775649]
  認識パラメータモデル(RPM)に基づく確率的教師なし学習の新しいアプローチを提案する。 観測が条件独立であるというキー前提の下では、RPMはパラメトリックな事前条件付き潜時分布と非パラメトリックな観測因子を結合する。 RPMは、動物と人工知能の両方にとって重要な機能である観測データの基礎となる有意義な潜在構造を発見する強力なフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-09-13T00:33:21Z)

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。