論文の概要: Fuzzy Accuracy Compensates for Label Subjectivity in Classification of Skin Tone Using Wearable Photoplethysmography Signals

• arxiv url: http://arxiv.org/abs/2608.18969v1
• Date: Wed, 19 Aug 2026 14:38:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.428303
• Title: Fuzzy Accuracy Compensates for Label Subjectivity in Classification of Skin Tone Using Wearable Photoplethysmography Signals
• Title（参考訳）: ウェアラブル光胸腺画像信号を用いた皮膚音分類におけるラベル主観性補正のファジィ精度
• Abstract要約: 本研究は,6級皮膚音のラベル付きフォトプレシー(モグラフィ)信号を用いた皮膚音の分類の問題点について考察する。 このタスクの典型的な精度は、40～55パーセントの貧弱さである。 ラベル付きクラスとの差が1より大きい場合、皮膚のトーンクラスの予測を正す「ファジィ精度」で作業することにより、はるかに高い精度が得られる。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We consider the problem of classification of skin tone using photoplethysmography (PPG) signals with labels of the ordinal six-class Fitzpatrick skin tones. A typical accuracy for this task is a poor 40-55 %. However, the labels are subjectively determined by comparing the skin with a colour chart, and hence contain widespread small-scale inaccuracies. By working with a "fuzzy accuracy", which deems a prediction of skin tone class to be correct if its difference from the labelled class is not greater than one, much higher accuracy is obtained which provides more convincing evidence that skin tone can be accurately predicted from PPG signals. Three machine learning approaches were used, namely deep learning or tree-based approaches on raw PPG signals, deep learning on image representations of the signals generated by the Symmetric Projection Attractor Reconstruction (SPAR) method, and machine learning on features extracted from the signals. The first method also employed a fuzzy version of the cross entropy loss function, which gave the best results. Tree-based models on raw signals give accuracies up to 55 % and higher fuzzy accuracies up to 96 %, while deep learning models on the SPAR images obtained lower results of 44 % accuracy and 85 % fuzzy accuracy. The machine learning on PPG features gave similar results to the SPAR method with accuracy of 42 % and fuzzy accuracy of 87 %. We have shown that classification of skin tone using PPG signals is possible with high fuzzy accuracy which implies that our modelling approach enables accurate prediction of skin tone class within at most one class of the observer's choice of class, from which we conclude that PPG signals are affected by skin tone in a discernible way.
• Abstract（参考訳）: 光胸腺造影(PPG)信号を用いた皮膚音の分類の問題点について検討した。 このタスクの典型的な精度は、40～55パーセントの貧弱さである。 しかし、ラベルは肌とカラーチャートを比較して主観的に決定されるため、小規模な不正確さも広く含んでいる。 ラベル付きクラスとの差が1より大きい場合、皮膚のトーンの予測を正当とみなす「ファジィ精度」で作業することにより、PSG信号から皮膚のトーンを正確に予測できるというより確証のある証拠が得られる、はるかに高い精度が得られる。 3つの機械学習手法、すなわち生のPGG信号に対するディープラーニングまたはツリーベースアプローチ、SPAR(Symmetric Projection Attractor Reconstruction)法で生成された信号のイメージ表現に関するディープラーニング、および信号から抽出された特徴に関する機械学習を用いた。 第1の方法は、クロスエントロピー損失関数のファジィバージョンも採用し、最良の結果を得た。 SPAR画像のディープラーニングモデルでは, 44%の精度と85%のファジィ精度が得られた。 PPG特性の機械学習はSPAR法と類似し, 精度は42 %, ファジィ精度は87 %であった。 PPG信号を用いた皮膚のトーンの分類はファジィな精度で可能であることを示し、このモデルにより、観察者のクラス選択の少なくとも1つのクラスにおいて、皮膚のトーンの正確な予測が可能であることを示し、PSG信号が皮膚のトーンの影響を識別可能な方法で受けると結論付けた。

関連論文リスト

• A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification [2.676349883103404]
  皮膚がんは世界中で最も一般的ながんの1つであり、早期発見は効果的な治療に重要である。 現在のAI診断ツールは、より軽い肌のトーンに支配されるデータセットでトレーニングされることが多いため、より暗い肌の人々の正確性と公平性が低下する。 本稿では,皮膚内視鏡画像を用いた皮膚癌自動検出における皮膚緊張不均衡の課題について述べる。
  論文  参考訳（メタデータ） (2026-02-16T00:20:56Z)
• Knowledge Distillation Detection for Open-weights Models [30.640429431816614]
  本稿では,データ不要な入力合成と,蒸留検出のための統計的スコアを組み合わせたモデルに依存しないフレームワークを提案する。 我々のアプローチは分類モデルと生成モデルの両方に適用できる。
  論文  参考訳（メタデータ） (2025-10-02T17:59:14Z)
• Skin Cancer Machine Learning Model Tone Bias [1.0539847330971805]
  多くのオープンソースの皮膚がん画像データセットは、より軽い皮膚のトーンを持つ国で実施された臨床試験の結果である。 このトーン不均衡のため、機械学習モデルは、より軽いスキントーンのための皮膚がんを検出するのによく機能する。 これらのモデルのトーンバイアスは、公正な懸念をもたらし、人工知能の健康分野に対する公衆の信頼を低下させる可能性がある。
  論文  参考訳（メタデータ） (2024-10-08T21:33:02Z)
• High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
  我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。 光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。 機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
  論文  参考訳（メタデータ） (2024-07-08T19:46:31Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• How Suboptimal is Training rPPG Models with Videos and Targets from Different Body Sites? [40.527994999118725]
  現在のモデルのほとんどは、指先をターゲット/ラベルとして接触PSG測定を用いて、顔ビデオでトレーニングされている。 ニューラルモデルでは,前頭部でトレーニングすると,基底真理PSG信号のモルフォロジーがより良く予測できることが示される。
  論文  参考訳（メタデータ） (2024-03-15T15:20:21Z)
• Learning Contrastive Feature Representations for Facial Action Unit Detection [28.57108011987007]
  本稿では、自己教師付き信号と教師付き信号の両方を組み込んだAU検出を目的とした、新しいコントラスト学習フレームワークを提案する。 クラス不均衡問題に対処するために、負のサンプル再重み付け戦略を用いる。 雑音や偽AUラベルによる課題に対処するために,3種類の正のサンプル対を含むサンプリング手法を用いる。
  論文  参考訳（メタデータ） (2024-02-09T03:48:20Z)
• DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In Machine-Assisted Skin Disease Detection [51.92255321684027]
  皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。 我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
  論文  参考訳（メタデータ） (2024-01-24T07:45:24Z)
• Your blush gives you away: detecting hidden mental states with remote photoplethysmography and thermal imaging [5.604613879541013]
  本研究では,rモードと熱画像を統合し,予測性能を向上させることでギャップを埋めることを目的とする。 rのみを用いて, 認知的ストレスは77%, 道徳的高揚は61%であった。 これらのモダリティの早期融合戦略は精度を著しく改善し、認知的ストレス87%、道徳的上昇83%をRFを用いて達成した。
  論文  参考訳（メタデータ） (2024-01-17T11:38:21Z)
• Towards Better Dermoscopic Image Feature Representation Learning for Melanoma Classification [25.525492490284293]
  皮膚内視鏡画像を用いた深層学習によるメラノーマ分類は,近年,早期メラノーマの自動診断において大きな可能性を秘めている。 本研究では, 病変の特徴の表現学習を改善するために, それぞれ課題を解決しようと試みる。 具体的には、GANベースのデータ拡張(GDA)戦略を用いて、提案した暗黙のヘアデノイング(IHD)戦略とともに、合成メラノーマ陽性画像を生成する。 IHDモジュールをトレーニングするために、毛髪ノイズはISIC 2020データセットにラベル付けされ、毛髪のようなアーティファクトのアノテーションを付加した最初の大規模な皮膚内視鏡データセットとなる。
  論文  参考訳（メタデータ） (2022-07-15T06:07:11Z)
• Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin Lesion Classification [5.71097144710995]
  修正された変分オートエンコーダを用いて、ベンチマークとして一般的に使用されるデータセットの皮膚のトーンバイアスを明らかにする。 病変画像の皮膚のトーンを自動的にラベル付けする,効率的かつ効率的なアルゴリズムを提案する。 その後、皮膚のトーンバイアスを軽減するために2つの主要なバイアスアンラーニング技術を使用します。
  論文  参考訳（メタデータ） (2022-02-06T18:53:06Z)
• Deep Learning for Breast Cancer Classification: Enhanced Tangent Function [27.761266391596262]
  近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。 Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。 提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
  論文  参考訳（メタデータ） (2021-07-01T08:36:27Z)

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。