Feb, 2024

BagStacking: 帕金森病步态冻结的综合集成学习方法

PDF
TL;DR本文介绍了 BagStacking 的新型集成学习方法，利用下背部传感器追踪加速度，增强帕金森病（PD）中步态冻结（FOG）的检测，通过 bagging 和 stacking 的原理，旨在利用 bagging 的引导采样降低方差，同时通过 stacking 实现复杂的融合，实验证明 BagStacking 在验证集上相对于其他最先进的机器学习方法取得了显著改进，MAP 得分为 0.306，优于 LightGBM（0.234）和经典的 Stacking（0.286），此外，BagStacking 的运行时间为 3828 秒，相对于 Regular Stacking 的 8350 秒，表明其为 FOG 检测数据的内在变异性提供了有希望的方向，为 PD 患者的护理提供了稳健且可扩展的解决方案。
发现论文，激发创造
  • 嵌入式平台上使用机器学习治疗帕金森病的步态恢复系统

    论文提出了一种基于嵌入式系统的机器学习子系统，以从加速度信号检测短暂的步态缺失并帮助帕金森病患者重获步态，该系统比基于云的系统具备更低的延迟和更广泛的可部署性，并探讨了在 ATMega2560 微控制器上部署模型的优化过程。

    Apr, 2020

  • 使用简单一维卷积神经网络从加速度计数据预测步态停滞 ——Kaggle 帕金森步态停滞预测竞赛第 8 名解决方案

    帕金森病患者的关键问题 - 步行停滞（FOG），通过使用患者佩戴的加速度计采集数据，结合机器学习算法，利用一维卷积神经网络进行 FOG 事件检测，研究结果突显了基于深度学习的 FOG 检测在改善帕金森病患者干预和管理策略方面的潜力。

    Jul, 2023

  • 使用 Transformer 网络和单个腰部佩戴的三轴加速计改善帕金森病步态冻结检测的性能

    这篇论文介绍了使用单一佩戴式三轴加速度计和基于 Transformer 和卷积网络的新型分类算法在自由活动和实时使用中实现自动冻结行走检测的最新进展，通过在家居环境下进行的日常活动时呈现的 21 名患有 FOG 的患者的数据，研究表明该提议的 FOG-Transformer 可以在使用留一子主题交叉验证（LOSO CV）时显著改善 FOG 检测，从而为在步行或家庭环境中实施准确的监测系统带来机会。

    Apr, 2024

  • 基于足步压力的多级对抗时空学习用于 FoG 检测

    提出一种基于 Adversarial Spatio-temporal Network 的方法，利用步态垫上的步态压力序列进行 Parkinson 病的步态冻结检测，进而改善冻结治疗的质量。

    Sep, 2022

  • 应用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的综合深度学习框架：CNN-GRU-GNN 方法

    我们提出了一种深度学习模型，利用步态周期数据集实现对帕金森病的二分类早期检测，通过使用 1D - 卷积神经网络（CNN）、门控循环单元（GRU）和图神经网络（GNN）层，协同地捕捉数据中的时序动态和空间关系，从而实现了非凡的性能表现，准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。

    Apr, 2024

  • 基于行走器传感器数据的帕金森病分期的机器学习鉴别

    该研究采用机器学习方法，通过使用低成本的步行器安装的传感器获取的运动学信号，从而准确分类 Parkinson 病的严重程度阶段，并提供了一种解决传感器健康评估中常见的小数据和嘈杂数据问题的方法。

    Jun, 2020

  • 使用深度卷积神经网络优化的集成学习医学图像分类分析

    该研究提出了一种可复现的医学图像分类管道，分析了集成学习技术在深度学习医学图像分类管道中的优化效果，发现 Stacking 技术效果最好，能增加 13％的 F1 得分，此外，Augmenting 和 Bagging 技术也能显著提高性能。此外也展示了简单的统计汇总函数与较复杂的机器学习技术汇总函数相比并不逊色。综述结果表明，集成学习技术的使用能够为医学图像分类管道提高性能和抗干扰能力。

    Jan, 2022

  • FedStack：使用堆叠联邦学习进行个性化活动监测

    本研究提出了一种名为 FedStack 的分散式联邦学习架构，支持广泛的异构架构客户机模型，提高远程病人监测的性能并保护病人的隐私；通过在移动健康传感器基准数据集上应用该架构进行实验，证明了其在分类 12 种常规活动方面的性能优于其他相似架构，并为建立客户隐私的增强型远程病人监测系统奠定了基础。

    Sep, 2022

  • 利用深度学习模型预测三种步冻事件

    使用深度学习模型，结合 Transformer 编码器架构和双向 LSTM 层以及不同的特征集，预测三种不同类型的步态冻结事件，最佳模型在测试数据上达到 0.427 的得分，在 Kaggle 的步态冻结预测竞赛中排名前五。

    Oct, 2023

  • Gestalt: SQuAD2.0 的叠加集合

    本文提出了一种基于深度学习的系统，在 SQuAD2.0 任务中，通过对话段落来寻找或指示问题的正确答案，它可以学习一个异构 SQuAD2.0 模型的集合，在进行合适的融合后，能够胜过单个最佳模型。我们创造了一种堆叠集合，将两个基于 ALBERT 和 RoBERTa 的模型的前 N 个预测组合成一个多类分类任务，以从它们的预测中选择最佳答案。我们研究了各种集合配置、输入表示和模型架构。在评估中，我们检查了测试集 EM 和 F1 得分；我们最好的表现集合结合了基于 CNN 的元模型，在 EM 和 F1 得分方面分别得分为 87.117 和 90.306，相对于基线表现最佳的模型（一个基于 ALBERT 的模型）的 86.644 和 89.760，分别提高了 0.55% 和 0.61%。

    Apr, 2020