論文の概要: Movement-Specific Analysis for FIM Score Classification Using Spatio-Temporal Deep Learning

• arxiv url: http://arxiv.org/abs/2511.10713v1
• Date: Thu, 13 Nov 2025 09:54:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.296057
• Title: Movement-Specific Analysis for FIM Score Classification Using Spatio-Temporal Deep Learning
• Title（参考訳）: 時空間深層学習を用いたFIMスコア分類のための運動特性解析
• Authors: Jun Masaki, Ariaki Higashi, Naoko Shinagawa, Kazuhiko Hirata, Yuichi Kurita, Akira Furui,
• Abstract要約: 機能的自立度尺度(FIM)は、日常生活活動における患者の身体的自立度を評価するために広く用いられている。 指定されたFIM評価行動とは異なる簡単なエクササイズを利用する自動FIMスコア推定法を提案する。
• 参考スコア（独自算出の注目度）: 0.7388859384645262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The functional independence measure (FIM) is widely used to evaluate patients' physical independence in activities of daily living. However, traditional FIM assessment imposes a significant burden on both patients and healthcare professionals. To address this challenge, we propose an automated FIM score estimation method that utilizes simple exercises different from the designated FIM assessment actions. Our approach employs a deep neural network architecture integrating a spatial-temporal graph convolutional network (ST-GCN), bidirectional long short-term memory (BiLSTM), and an attention mechanism to estimate FIM motor item scores. The model effectively captures long-term temporal dependencies and identifies key body-joint contributions through learned attention weights. We evaluated our method in a study of 277 rehabilitation patients, focusing on FIM transfer and locomotion items. Our approach successfully distinguishes between completely independent patients and those requiring assistance, achieving balanced accuracies of 70.09-78.79 % across different FIM items. Additionally, our analysis reveals specific movement patterns that serve as reliable predictors for particular FIM evaluation items.
• Abstract（参考訳）: 機能的自立度尺度(FIM)は、日常生活活動における患者の身体的自立度を評価するために広く用いられている。 しかし、従来のFIM評価は、患者と医療専門家の両方に重大な負担を課している。 この課題に対処するために、指定されたFIM評価行動とは異なる簡単なエクササイズを利用する自動FIMスコア推定手法を提案する。 提案手法では,空間時空間グラフ畳み込みネットワーク(ST-GCN),双方向長短期記憶(BiLSTM),FIMモータアイテムスコアを推定するアテンション機構を統合したディープニューラルネットワークアーキテクチャを用いる。 このモデルは、長期間の時間的依存を効果的に捉え、学習された注意重みを通して、重要なボディジョイントコントリビューションを特定する。 リハビリテーション患者277名を対象に,FIM移行と移動項目に着目して検討を行った。 本手法は, 完全独立した患者と支援を必要とする患者とを区別し, 異なるFIM項目で70.09～78.79%のバランスの取れたアキュラティを達成できた。 さらに,FIM評価項目に対する信頼性の高い予測器として機能する特定の動きパターンも明らかにした。

関連論文リスト

• Estimation of Head Motion in Structural MRI and its Impact on Cortical Thickness Measurements in Retrospective Data [4.072070248526498]
  MRIでは運動関連アーティファクトは避けられない これらのアーティファクトは、皮質厚みなどの自動神経解剖学的指標をバイアスすることができる。 ここでは、3次元畳み込みニューラルネットワークをトレーニングし、振り返りの定期的な研究スキャンで要約運動距離を推定する。
  論文  参考訳（メタデータ） (2025-05-29T18:08:59Z)
• AnesSuite: A Comprehensive Benchmark and Dataset Suite for Anesthesiology Reasoning in LLMs [62.60333833486799]
  AnesSuiteは、LSMの麻酔学推論用に特別に設計された最初のデータセットスイートである。 Morpheusは麻酔学の推論のための最初のベースラインモデルコレクションである。
  論文  参考訳（メタデータ） (2025-04-03T08:54:23Z)
• Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
  人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。 生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
  論文  参考訳（メタデータ） (2025-03-18T22:18:33Z)
• MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care [1.5237145555729716]
  MELONは、医療現場における12時間移動状態を予測するための新しいフレームワークである。 フロリダ州ゲインズビルにあるフロリダ・ヘルス・サンズ病院の9つの集中治療室を受診した126名の患者を対象に,MELONモデルを訓練・評価した。 その結果、MELONは従来の12時間移動状態推定手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-10T19:47:46Z)
• MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment [0.30693357740321775]
  MR-STGN(Multi-Residual Spatio Temporal Graph Network)を用いた患者行動評価の自動化手法を提案する。 MR-STGNは患者行動のダイナミクスを捉えるように設計されている。 リアルタイムの患者行動スコアを正確に予測する上で,UI-PRMDデータセットの性能を示すモデルについて検討した。
  論文  参考訳（メタデータ） (2023-12-21T01:09:52Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、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） (2023-12-11T21:53:40Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Self-Attention Neural Bag-of-Features [103.70855797025689]
  我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。 本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
  論文  参考訳（メタデータ） (2022-01-26T17:54:14Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Mapping individual differences in cortical architecture using multi-view representation learning [0.0]
  本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。 マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
  論文  参考訳（メタデータ） (2020-04-01T09:01:25Z)

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。