深層学習による慢性疼痛保護行動検出【JST・京大機械翻訳】

Wang Chongyang; Olugbade Temitayo A.; Mathur Akhil; Williams Amanda C. De C.; Lane Nicholas D.; Bianchi-Berthouze Nadia

プレプリント

J-GLOBAL ID：202202208114869710 整理番号：21P0011264

深層学習による慢性疼痛保護行動検出【JST・京大機械翻訳】

Chronic-Pain Protective Behavior Detection with Deep Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2019年02月24日プレプリントサーバーでの情報更新日： 2021年04月01日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

慢性疼痛リハビリテーションにおいて,理学療法士は,保護行動の発現に基づいて患者のパフォーマンスに身体活動を適応させ,徐々にそれらを恐怖するが,無害で必須の日常活動に曝す。リハビリテーションが診療所外に移動するので,技術は同様のサポートを提供するためにそのような行動を自動的に検出するべきである。以前の研究は,特定の活性の中で自動保護行動検出(PBD)の実現可能性を示した。本論文では,健康な参加者および慢性疼痛を有する人々から収集したウェアラブルモーションキャプチャおよび表面筋電図データを用いて,活動タイプにわたるPBDに対する深層学習の使用を検討した。著者らは,その全体的存在を推定するよりも,活性内の保護行動を連続的に検出することにより,この問題にアプローチする。最良の性能は,leave-one-out交差検証で0.82の平均F1スコアに達した。保護行動が活動タイプごとにモデル化される場合,性能はベンドダウンで0.77,片足立ちで0.81,座位からスタンドで0.72,スタンドツーシットで0.83,およびリーチフォワードで0.67であった。この性能は,家庭での個人化された慢性疼痛管理の可能性を示す,平均専門家の格付けパフォーマンスとの優れた一致レベルに達する。このアプローチを特徴付ける様々なパラメータを解析し,その結果が他のPBDデータセットおよび異なるレベルのグランドトルース粒度に一般化できる方法を理解する。【JST・京大機械翻訳】

, , , , ,
, , , , , , , , 【Automatic Indexing@JST】

リハビリテーション

, ,

前のページに戻る