論文の概要: An explainable hierarchical self attention-based approach for tremor detection in the time domain

• arxiv url: http://arxiv.org/abs/2606.00461v1
• Date: Sat, 30 May 2026 00:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.473326
• Title: An explainable hierarchical self attention-based approach for tremor detection in the time domain
• Title（参考訳）: 時間領域における地震検出のための説明可能な階層的自己注意に基づくアプローチ
• Abstract要約: 震動はパーキンソン病や本態性震動などの症状に関連する一般的な運動障害である。 現在の自動検出法は、臨床専門知識から得られる周波数領域の特徴に依存している。 本稿では3次元運動マーカー時系列データから直接震動パターンを学習する時間領域における震動検出のための2段階階層的フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.37943450391498496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tremor is a common movement disorder associated with conditions like Parkinson's disease and Essential tremor, traditionally diagnosed through expert clinician assessment. Current automated detection methods rely on frequency-domain features informed by clinical expertise. In this work, we present an explainable, two-stage hierarchical framework for tremor detection in the time domain that learns tremor patterns directly from 3D kinematic marker time-series data across entire tremor-provoking trials. Our framework combined a deep convolutional and long short-term memory network to learn tremor representations from short, discrete, non-overlapping time segments of kinematic time series data from trials, which are then processed by a vision transformer that models their long-term temporal dynamics of time segment features for trial (session) level classification. Evaluated across nine body parts, the framework achieved F1-scores of 0.594 - 0.947 depending on body parts (average: 0.765), falling short of the frequency-domain state-of-the-art performance (0.909) while requiring minimal preprocessing. Attention weights and gradient-based class activation maps (Grad-CAM) identified time-domain features of tremor across body parts. This proof of concept demonstrated the feasibility of data-driven time-domain modeling for tremor detection across anatomically diverse body parts, while reducing reliance on expert-engineered spectral features and providing posthoc interpretability of temporal and anatomical patterns of tremor.
• Abstract（参考訳）: 震動はパーキンソン病や本態性震動などの症状に関連する一般的な運動障害であり、伝統的に専門医の診察によって診断される。 現在の自動検出法は、臨床専門知識から得られる周波数領域の特徴に依存している。 本研究では3次元運動マーカー時系列データから直接震動パターンを学習する時間領域における震動検出のための説明可能な2段階階層的フレームワークを提案する。 我々のフレームワークは、深層畳み込みと長期の短期記憶ネットワークを組み合わせて、試行錯誤した時系列データの短周期非重複時間セグメントから振動表現を学習し、その後、視覚変換器によって処理され、試行(セッション)レベル分類のための時間セグメント特徴の長期時間ダイナミクスをモデル化する。 9つのボディパーツで評価されたこのフレームワークは、ボディパーツ(平均0.765)に依存して0.594 - 0.947のF1スコアを達成した。 注意重みと勾配に基づくクラスアクティベーションマップ (Grad-CAM) は, 身体部位間の震動の時間領域の特徴を同定した。 この概念の証明は、解剖学的に多様な身体部位にわたる地震検出のためのデータ駆動時間ドメインモデリングの実現可能性を示し、専門家工学的なスペクトル特徴への依存を減らし、地震の時間的および解剖学的パターンのポストホック解釈性を提供する。

関連論文リスト

• How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
  我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。 このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
  論文  参考訳（メタデータ） (2026-08-13T14:35:20Z)
• Deep Multimodal Wearable Sensor Fusion for Detection of Body-Focused Repetitive Behaviors [0.6299766708197881]
  髪を引っ張ったり、肌を摘むといった身体に焦点を当てた反復行動は、一般的に強迫性障害や不安障害と結びついている。 我々は、手首のセンサーデータからこれらの動作を検出し、分類するためのマルチモーダルディープラーニングフレームワークを開発し、評価した。
  論文  参考訳（メタデータ） (2026-08-10T16:48:37Z)
• Deep Learning Pose Estimation for Multi-Label Recognition of Combined Hyperkinetic Movement Disorders [0.0]
  高運動性運動障害(HMD)、例えばジストニア、震え、コレア、ミオクローヌス、およびティクスは、幼少期から成人期にかけて運動障害を悪化させている。 そこで我々は,標準的な外来ビデオから解剖学的に意味のあるキーポイント時系列に変換する,ポーズベースの機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-01-29T21:55:48Z)
• EEG-Titans: Long-Horizon Seizure Forecasting via Dual-Branch Attention and Neural Memory [0.0]
  本稿では、長期コンテキストモデリングのための現代のニューラルメモリ機構を組み込んだデュアルブランチEEGアーキテクチャを提案する。 EEG-Titansは18人の被験者の平均セグメントレベルの感度を99.46%達成している。 以上の結果から, 記憶増強長文モデリングは, 臨床的に制約された評価下において, 堅牢な発作予測を可能にする可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-20T09:03:49Z)
• TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification [10.329406702659123]
  造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。 既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。 本稿では,連続時間短縮曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。
  論文  参考訳（メタデータ） (2025-12-04T08:44:50Z)
• Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories [1.7123388415209657]
  この研究は、心臓の動きを解析するための柔軟なアプローチを導入している。 構造化バイオメディカル時系列データにおけるグラフベースの学習の基礎を提供する。
  論文  参考訳（メタデータ） (2025-09-16T10:57:51Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  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)
• 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)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Jointly Modeling Spatio-Temporal Features of Tactile Signals for Action Classification [50.63919418371698]
  ウェアラブルエレクトロニクスによって収集される触覚信号は、人間の行動のモデリングと理解に不可欠である。 既存の動作分類法では、触覚信号の空間的特徴と時間的特徴を同時に捉えることができない。 S-Temporal Aware Aware Transformer (STAT) を提案する。
  論文  参考訳（メタデータ） (2024-01-21T03:47:57Z)
• 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)
• 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)
• 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
  ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
  論文  参考訳（メタデータ） (2020-04-21T17:19:06Z)

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。