論文の概要: Silhouette-Based Gaitomics for Frailty Assessment in Older Adults

• arxiv url: http://arxiv.org/abs/2610.38223v1
• Date: Wed, 28 Oct 2026 03:19:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:34:46.495836
• Title: Silhouette-Based Gaitomics for Frailty Assessment in Older Adults
• Title（参考訳）: 高齢者の脱毛性評価のためのシルエットベースガイトミクス
• Abstract要約: 身体構成と運動の計測可能なパターンと, 疲労予測とを結びつけるために, ガイトミクスを開発した。 標準のシルエットと歩行エネルギー画像は90の記述子、時間的変動、動き、テクスチャを得た。
• 参考スコア（独自算出の注目度）: 23.508468032978357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Walking offers a window into physical function that may support interpretable video-based frailty assessment. We developed silhouette-based "gaitomics" to connect frailty predictions with measurable patterns of body configuration and movement. In 66 older adults assessed using the Fried Frailty Phenotype, standardized silhouettes and gait energy images yielded 90 descriptors of shape, temporal variation, motion, and texture. Minimum redundancy maximum relevance selection using the mutual information difference criterion prioritized informative features while limiting redundancy. Each classifier was evaluated using nested stratified cross-validation with five outer and three inner folds at the participant level, with feature ranking and feature-count selection confined to training partitions. Shapley additive explanations examined contributions to held-out predictions. Bilateral silhouette difference led the aggregate feature-selection rankings for three-class classification and both comparisons involving frail participants. Attribution profiles differed across tasks, with texture and consecutive-frame silhouette differences prominent in three-class classification. Among classifier-specific evaluations, CatBoost achieved the highest mean three-class micro-AUC of 0.647 \pm 0.085. Leading pairwise mean micro-AUCs were 0.833 \pm 0.249 for frail versus nonfrail, 0.765 \pm 0.168 for frail versus prefrail, and 0.554 \pm 0.129 for prefrail versus nonfrail classification. These findings connect model predictions to explicit gait characteristics while revealing task-dependent feature priorities and limited separation of prefrail and nonfrail participants. The framework provides an interpretable basis for further investigation, with larger independent studies needed to establish reliability and clinical relevance.
• Abstract（参考訳）: ウォーキングは、解釈可能なビデオベースの欠陥評価をサポートする物理的な機能への窓を提供する。 フィラリティ予測と身体構成と運動の計測可能なパターンを結びつけるために,シルエットをベースとした「ガイトミック」を開発した。 66名の高齢者がFried Frailty Phenotype, 標準シルエット, 歩行エネルギー画像を用いて評価したところ, 90例の形状, 時間的変動, 動き, テクスチャが得られた。 相互情報差分基準を用いた最小冗長性最大関連度選択は、冗長性を制限するとともに、情報的特徴を優先する。 各分類器は,5つの外面と3つの内面を参加者レベルで有するネスト成層型クロスバリデーションを用いて評価し,特徴ランクと特徴数選択は訓練分割に限定した。 シェープな加法的説明は保留予測への貢献を調査した。 両側のシルエット差は,3クラス分類における総合的特徴選択ランキングと,フレール参加者との比較を導いた。 属性プロファイルはタスクによって異なり、テクスチャと連続フレームシルエットの違いは3クラス分類で顕著であった。 分類器固有の評価の中で、CatBoostは0.647 \pm 0.085という平均3クラスのマイクロAUCを達成した。 2つのペア平均マイクロAUCは、フレール対非フレイルの0.833 \pm 0.249、フレール対プレフレイルの0.765 \pm 0.168、プレフレル対非フレイルの0.554 \pm 0.129であった。 これらの結果は,タスク依存的特徴優先順位とプレフレルと非フレル参加者の限定的分離を明らかにしながら,モデル予測と明確な歩行特性を関連付ける。 この枠組みはさらなる調査のための解釈可能な基盤を提供し、信頼性と臨床関連性を確立するためにより大きな独立した研究が必要である。

関連論文リスト

• Prompt-Anchored Residual Adaptation for Biomedical Vision-Language Models [17.400204866383355]
  バイオメディカル画像分類において,事前学習した視覚言語モデルは強いゼロショット性能を実現する。 少数ショット適応は、小さなラベル付きサポートセット上でタスク固有の予測器を最適化することで、ミスマッチに対処する。 本稿では,Pmpt-Anchored Residual Adaptation (PARA)を提案する。
  論文  参考訳（メタデータ） (2026-09-27T16:01:15Z)
• CORE: Improving Compositional Reasoning in MLLM Embedding via Reranker Distillation [49.0564416580726]
  我々は,クロスアテンティブ・リランカの組成判断を埋め込みモデルに蒸留する。 我々は,CORE-RERANKER-8Bが平均82.7%を達成し,Janna-Rerankerを10.7ポイント上回ったことを示す。 改良はCOCOとFlickr30Kでの検索性能を犠牲にすることなくMCMRベンチマークに転送される。
  論文  参考訳（メタデータ） (2026-09-03T16:50:29Z)
• Different representation learning objectives recover distinct latent structures from the same psychometric data [1.5026040539255672]
  行動構造は,小児のSDQ,ASBI,CBRS項目の反応によって特徴づけられた。 比較対象はPCAに基づく表現に対する教師・児童の検索を著しく改善した。 協調的アライメントと行動予測を協調的に最適化するマルチタスク目標が部分的に復元されるが、検索性能は低下する。
  論文  参考訳（メタデータ） (2026-08-31T15:24:35Z)
• Complementary Roles of Image Classification and Vessel Segmentation in AI-Based Screening for Retinopathy of Prematurity Plus Disease in a Kenyan Preterm Cohort [0.0]
  未熟児網膜症(ROP)は小児期失明の予防可能な原因である。 網膜血管拡張とトルトゥシティーを特徴とするプラス疾患は治療を誘発するが、主観的かつ変動的である。 自動スクリーニングは専門家の範囲を広げる可能性があるが、アフリカ人の証拠は限られている。
  論文  参考訳（メタデータ） (2026-07-07T04:40:16Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• The Gait Signature of Frailty: Transfer Learning based Deep Gait Models for Scalable Frailty Assessment [22.972032402190873]
  臨床的に現実的な設定で収集したシルエットベースの脆弱な歩行データセットを公開して紹介する。 我々は,限られたデータ条件下で,事前学習した歩行認識モデルが脆弱な分類にどのように適応できるかを評価する。
  論文  参考訳（メタデータ） (2026-03-25T15:44:37Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。