論文の概要: 3D Gait-Based Autism Classification Using Attention-Enhanced Deep Learning with Cross-Fold Statistical Stability Analysis

• arxiv url: http://arxiv.org/abs/2609.14159v2
• Date: Sat, 19 Sep 2026 17:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.33913
• Title: 3D Gait-Based Autism Classification Using Attention-Enhanced Deep Learning with Cross-Fold Statistical Stability Analysis
• Title（参考訳）: 統計的安定度解析を用いた注意力強化深層学習を用いた3次元歩行に基づく自閉症分類
• Abstract要約: 自閉症スペクトラム障害(Autism Spectrum disorder, ASD)は、早期診断が困難である神経発達疾患である。 Gait は自動交配型 ASD スクリーニングに有望な非侵襲的ビヘイビアバイオマーカーを提供する。 本研究では,ASD分類のためのアテンション強化トランスフォーマーフレームワークを用いて,これらのギャップに対処する。
• 参考スコア（独自算出の注目度）: 1.0194568865877913
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autism Spectrum Disorder (ASD) is a neurodevelopmental condition whose early diagnosis remains challenging because conventional clinical assessments are often subjective, time-consuming, and require expert evaluation. Gait provides a promising non-invasive behavioral biomarker for auto- mated ASD screening; however, existing studies have primarily relied on single-dataset evaluations, convolutional architectures, and descriptive summaries of cross-validation performance without formally assessing fold-to-fold stability. This study addresses these gaps with an attention-enhanced Transformer framework for ASD classification, evaluated on two structurally different 3D gait feature representations: precomputed statistical gait descriptors and raw biomechanical ground-reaction- force measurements. Under five-fold cross-validation, the proposed framework achieved 99.00% accuracy, 99.02% precision, 99.00% recall, 99.00% F1-score, and 99.00% specificity on the public Kinect-based benchmark, exceeding the performance of the compared state-of-the-art methods. On the independent private force-plate dataset, it achieved mean values of 95.00% accuracy, 93.81% precision, 96.67% recall, 95.13% F1-score, and 93.33% specificity.
• Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は神経発達障害であり、従来の臨床評価は主観的、時間的、専門的な評価を必要とするため、早期診断は依然として困難である。 Gaitは自動交配型SDスクリーニングのための有望な非侵襲的ビヘイビアバイオマーカーを提供するが、既存の研究は主に折り畳み安定性を公式に評価することなく、単一データセットの評価、畳み込みアーキテクチャ、クロスバリデーション性能の記述的な要約に頼っている。 本研究では,3次元歩行特徴表現(事前計算された統計歩行記述子と生バイオメカニカルグラウンド-リアクション-力測定)を用いて,ASD分類のための注意力増強型トランスフォーマフレームワークを用いて,これらのギャップを解消する。 5倍のクロスバリデーションの下で、提案されたフレームワークは99.00%の精度、99.02%の精度、99.00%のリコール、99.00%のF1スコア、99.00%のパブリックKinectベースのベンチマークを達成し、比較した最先端の手法のパフォーマンスを上回った。 独立したプライベートフォースプレートデータセットでは、平均値95.00%の精度、93.81%の精度、96.67%のリコール、95.13%のF1スコア、93.33%の特異性を達成した。

関連論文リスト

• Artificial Intelligence-Assistant Cardiotocography: Unified Model for Signal Reconstruction, Fetal Heart Rate Analysis, and Variability Assessment [14.181844060152367]
  我々のモデルは、ラベルなしの558,412個のデータポイントからなる巨大なデータセットで事前訓練された。 本モデルでは, 臨界FHR減速と加速度の検出において高い感度と特異性を示した。
  論文  参考訳（メタデータ） (2026-05-14T01:18:41Z)
• Image-based Quantification of Postural Deviations on Patients with Cervical Dystonia: A Machine Learning Approach Using Synthetic Training Data [42.305152571036786]
  頚部ジストニア(Cervical dystonia、CD)は、ジストニアの最も一般的な形態である。 現在の評価はトロント・ウェスタン・スパモディック・トーチコリス・レーティング・スケール(TWSTRS)のような主観的臨床評価尺度に依存している。 本研究では、16,000枚の合成アバター画像にのみ訓練された深層学習モデルと、事前訓練した頭部位置推定アルゴリズムを組み合わせた評価ツールを開発した。
  論文  参考訳（メタデータ） (2026-03-27T14:12:41Z)
• Signal Fidelity Index-Aware Calibration for Dementia Predictions Across Heterogeneous Real-World Data [1.741250583668341]
  認知症患者レベルでのSFI(Signal Fidelity Index)診断データ品質について検討した。 結果ラベルのない異種データセットにおけるモデル性能向上のためのSFI対応キャリブレーションを検証した。
  論文  参考訳（メタデータ） (2025-09-10T15:19:04Z)
• End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills [1.710146779965826]
  本研究では,fNIRS信号を直接処理する新しいエンドツーエンドディープラーニングフレームワークを提案する。 平均分類精度は93.9%(SD 4.4)、一般化精度は92.6%(SD 1.9)である。
  論文  参考訳（メタデータ） (2025-03-21T22:56:54Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Early prediction of onset of sepsis in Clinical Setting [0.8471078314535754]
  教師付き学習手法が採用され、列車データセットの80%をXGBoostモデルでトレーニングした。 モデルは、トレーニング期間中に全く見えなかった予測データに基づいて検証された。 このモデルでは、試験データでは0.494点、予測データでは0.378点の正常化ユーティリティスコアが得られた。
  論文  参考訳（メタデータ） (2024-02-05T19:58:40Z)
• Uncertainty Quantification on Clinical Trial Outcome Prediction [37.25114005044208]
  本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。 私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。 我々は目的を達成するために選択的な分類手法を採用した。
  論文  参考訳（メタデータ） (2024-01-07T13:48:05Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Sparse Dynamical Features generation, application to Parkinson's Disease diagnosis [0.0]
  本稿では,脳波の動的,頻度,時間的内容を用いて脳の機能に着想を得た新しいアプローチを提案する。 本手法は,N=50名の被験者を含む3眼球聴覚タスク中に記録された脳波信号を含む公開データセットを用いて評価し,そのうち25名がPDに罹患した。
  論文  参考訳（メタデータ） (2022-10-20T22:39:29Z)
• Artificial Intelligence Methods Based Hierarchical Classification of Frontotemporal Dementia to Improve Diagnostic Predictability [0.0]
  Frontotemporal Dementia(FTD)患者は、認知能力、エグゼクティブおよび行動特性、言語能力の喪失、および記憶能力の低下を損ないました。 本研究の目的は、皮質厚さデータに人工知能(AI)のデータ駆動技術を適用することにより、各被験者のMRI画像をFTDのスペクトルの1つに階層的に分類することである。 自動分類モデルでは, 支持ベクトルマシン (SVM) , 線形判別分析 (LDA) , ナイブベイズ法 (Naive Bayes) が10倍のクロスバリデーション解析でそれぞれ86.5, 76, 72.7の分類精度を得た。
  論文  参考訳（メタデータ） (2021-04-12T07:04:11Z)

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。