論文の概要: Multi Class Parkinsons Disease Detection Based on Finger Tapping Using Attention-Enhanced CNN BiLSTM

• arxiv url: http://arxiv.org/abs/2510.10121v1
• Date: Sat, 11 Oct 2025 09:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.795861
• Title: Multi Class Parkinsons Disease Detection Based on Finger Tapping Using Attention-Enhanced CNN BiLSTM
• Title（参考訳）: Attention-Enhanced CNN BiLSTM を用いた指タッピングによるパーキンソン病マルチクラス検出
• Authors: Abu Saleh Musa Miah, Najmul Hassan, Md Maruf Al Hossain, Yuichi Okuyama, Jungpil Shin,
• Abstract要約: 注意喚起型CNN BiLSTMを用いた指タッピングに基づくマルチクラスパーキンソン病検出システムを提案する。 CNN, BiLSTM, および多クラスPD重度分類のための注意機構を統合したハイブリッ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5つの重度クラスを区別する上で強い性能を示した。
• 参考スコア（独自算出の注目度）: 2.5227912984325362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective clinical management and intervention development depend on accurate evaluation of Parkinsons disease (PD) severity. Many researchers have worked on developing gesture-based PD recognition systems; however, their performance accuracy is not satisfactory. In this study, we propose a multi-class Parkinson Disease detection system based on finger tapping using an attention-enhanced CNN BiLSTM. We collected finger tapping videos and derived temporal, frequency, and amplitude based features from wrist and hand movements. Then, we proposed a hybrid deep learning framework integrating CNN, BiLSTM, and attention mechanisms for multi-class PD severity classification from video-derived motion features. First, the input sequence is reshaped and passed through a Conv1D MaxPooling block to capture local spatial dependencies. The resulting feature maps are fed into a BiLSTM layer to model temporal dynamics. An attention mechanism focuses on the most informative temporal features, producing a context vector that is further processed by a second BiLSTM layer. CNN-derived features and attention-enhanced BiLSTM outputs are concatenated, followed by dense and dropout layers, before the final softmax classifier outputs the predicted PD severity level. The model demonstrated strong performance in distinguishing between the five severity classes, suggesting that integrating spatial temporal representations with attention mechanisms can improve automated PD severity detection, making it a promising non-invasive tool to support clinicians in PD monitoring and progression tracking.
• Abstract（参考訳）: 効果的な臨床管理と介入開発はパーキンソン病重症度(PD)の正確な評価に依存している。 多くの研究者がジェスチャーに基づくPD認識システムの開発に取り組んでいるが、その性能精度は不十分である。 本研究では,注意喚起型CNN BiLSTMを用いた指タッピングに基づくマルチクラスパーキンソン病検出システムを提案する。 我々は手首と手首の動きから指のタッピングビデオと時間、周波数、振幅に基づく特徴を抽出した。 そこで我々は,CNN,BiLSTM,アテンション機構を統合したハイブリッドディープラーニングフレームワークを提案する。 まず、入力シーケンスをリフォームしてConv1D MaxPoolingブロックに渡して、局所的な空間的依存関係をキャプチャする。 得られた特徴写像は、時間力学をモデル化するためにBiLSTM層に入力される。 注意機構は、第2のBiLSTM層によってさらに処理されるコンテキストベクトルを生成する、最も情報性の高い時間的特徴に焦点を当てる。 CNNから得られる特徴と注意を増進したBiLSTM出力は連結され、続いて密度層とドロップアウト層が続き、最終的なソフトマックス分類器は予測されたPD重大度レベルを出力する。 このモデルは5つの重度クラスを区別する上で高い性能を示し、空間的時間的表現と注意機構を統合することにより、PD重度自動検出が向上し、PDモニタリングおよび進行追跡における臨床医を支援するための有望な非侵襲的ツールであることが示唆された。

関連論文リスト

• Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention [0.0]
  Brain2Vecは、生の脳波記録からストレス状態を分類する新しいディープラーニングツールだ。 これらの結果は、Brain2Vecがウェアラブルストレス監視プラットフォームとパーソナライズされたヘルスケアシステムに統合される可能性を示している。
  論文  参考訳（メタデータ） (2025-06-12T12:57:19Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Motion-enhanced Cardiac Anatomy Segmentation via an Insertable Temporal Attention Module [5.796175310950299]
  本稿では, 頑健な動作向上を実現するための, 計算効率の良い時間アテンションモジュール(TAM)を提案する。 TAMの特徴は、幅広いセグメンテーションネットワークに挿入できる軽量のプラグアンドプレイモジュールである点である。 複数の2Dおよび3D心臓超音波およびMRIデータセットの実験により、TAMは、様々なネットワークにわたるセグメンテーションを一貫して改善することを確認した。
  論文  参考訳（メタデータ） (2025-01-24T21:35:24Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Estimating Motor Symptom Presence and Severity in Parkinson's Disease from Wrist Accelerometer Time Series using ROCKET and InceptionTime [4.1125736844411644]
  InceptionTimeとRandOm Convolutional KErnel TransformをParkinsonの症状モニタリングに有効であるとして検討した。 InceptionTimeの高学習能力は複雑なムーブメントパターンのモデリングに適しており、ROCKETは小さなデータセットに適している。 以上の結果から, 震度とブラジキネジアの有無を適度に評価できるが, ジスキネジア検出の課題に遭遇する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-21T22:38:44Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。