論文の概要: Multi-scale Frequency-Aware Adversarial Network for Parkinson's Disease Assessment Using Wearable Sensors

• arxiv url: http://arxiv.org/abs/2510.10558v1
• Date: Sun, 12 Oct 2025 11:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.007034
• Title: Multi-scale Frequency-Aware Adversarial Network for Parkinson's Disease Assessment Using Wearable Sensors
• Title（参考訳）: ウェアラブルセンサを用いたパーキンソン病評価のためのマルチスケール周波数対応適応ネットワーク
• Authors: Weiming Zhao, Xulong Wang, Jun Qi, Yun Yang, Po Yang,
• Abstract要約: 汎用時系列モデルは、しばしば特徴抽出における病理学的特異性を欠いている。 PD症状の時間的間隔は、従来のアグリゲーション法により、重要な診断的特徴が容易に「希釈」される原因となる。 我々はMFAM(Multiscale Frequency-Aware Adversarial Multi-Instance Network)を提案する。 MFAMは医学的事前知識によって導かれる周波数分解モジュールによって特徴特異性を高める。
• 参考スコア（独自算出の注目度）: 12.405512341799374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Severity assessment of Parkinson's disease (PD) using wearable sensors offers an effective, objective basis for clinical management. However, general-purpose time series models often lack pathological specificity in feature extraction, making it difficult to capture subtle signals highly correlated with PD.Furthermore, the temporal sparsity of PD symptoms causes key diagnostic features to be easily "diluted" by traditional aggregation methods, further complicating assessment. To address these issues, we propose the Multi-scale Frequency-Aware Adversarial Multi-Instance Network (MFAM). This model enhances feature specificity through a frequency decomposition module guided by medical prior knowledge. Furthermore, by introducing an attention-based multi-instance learning (MIL) framework, the model can adaptively focus on the most diagnostically valuable sparse segments.We comprehensively validated MFAM on both the public PADS dataset for PD versus differential diagnosis (DD) binary classification and a private dataset for four-class severity assessment. Experimental results demonstrate that MFAM outperforms general-purpose time series models in handling complex clinical time series with specificity, providing a promising solution for automated assessment of PD severity.
• Abstract（参考訳）: ウェアラブルセンサを用いたパーキンソン病(PD)の重症度評価は、臨床管理に有効な客観的基盤を提供する。 しかし, 一般用時系列モデルは特徴抽出における病理特異性に欠けることが多く, PDと高相関な微妙な信号を捉えることは困難である。 本稿では,MFAM(Multiscale Frequency-Aware Adversarial Multi-Instance Network)を提案する。 このモデルは、医学的事前知識によって導かれる周波数分解モジュールを通じて特徴特異性を高める。 さらに、注意に基づくマルチインスタンス学習(MIL)フレームワークを導入することにより、最も診断に価値のあるスパースセグメントに適応的にフォーカスすることが可能となり、PD用PADSデータセットと差分診断(DD)バイナリ分類のためのパブリックデータセットと4クラス重大度評価のためのプライベートデータセットの両方に対して総合的にMFAMを検証した。 MFAMは、複雑な臨床時系列を特異性で扱う際の汎用時系列モデルよりも優れており、PD重症度の自動評価に有望なソリューションを提供する。

関連論文リスト

• Attention-Based Multiscale Temporal Fusion Network for Uncertain-Mode Fault Diagnosis in Multimode Processes [1.9389881806157316]
  マルチモードプロセスにおける故障診断は,産業システムの安全な運転を保証する上で重要な役割を担っている。 つまり、複数のモードからのモニタリングデータの間に大きな分散的な違いがあるのです。 本稿では,注目型マルチスケール時間融合ネットワークという新しい手法を提案する。 提案モデルでは診断性能が向上し,小型モデルサイズを維持している。
  論文  参考訳（メタデータ） (2025-04-07T15:16:22Z)
• A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series [8.741139851597364]
  本稿では、関連するタスクから外部データを取り込み、AE-GANを利用して事前知識を抽出することを提案する。 マルチヘッドアテンション機構を統合し,異なる視点から表現を適応的に学習するフレームワークであるLMCFを紹介する。 3つのターゲットデータセットの実験により、我々の手法が他の7つのベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-01-30T14:20:11Z)
• Machine Learning-Based Differential Diagnosis of Parkinson's Disease Using Kinematic Feature Extraction and Selection [0.6249768559720121]
  パーキンソン病(英: Parkinson's disease、PD)は、神経変性疾患の2番目に多い疾患である。 PDは進行性核上性麻痺(PSP)や多系統萎縮(MSA)などの他の神経変性疾患と症状を共有している 本稿では,PD,PSP,MSA,健康管理の鑑別診断を行う機械学習システムを提案する。
  論文  参考訳（メタデータ） (2025-01-02T14:43:39Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• MedTsLLM: Leveraging LLMs for Multimodal Medical Time Series Analysis [6.30440420617113]
  MedTsLLMは、時系列データとリッチな文脈情報をテキスト形式で統合し、生理的信号を解析する汎用多モーダル大規模言語モデル(LLM)フレームワークである。 本研究は,連続時間における意味的セグメンテーション,境界検出,異常検出という,臨床的関連性のある3つのタスクを実行する。 我々のモデルは、深層学習モデル、他のLSM、および複数の医療領域における臨床方法など、最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2024-08-14T18:57:05Z)
• Membership Inference Attacks Against Time-Series Models [0.8437187555622164]
  個人情報を含む時系列データは、特に医療分野において、深刻なプライバシー上の懸念を示す。 時系列モデルにおける既存技術について検討し,季節性に着目した新機能を紹介する。 以上の結果から,MIAによる会員識別の有効性が向上し,医療データアプリケーションにおけるプライバシリスクの理解が向上した。
  論文  参考訳（メタデータ） (2024-07-03T07:34:49Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。