A carregar...
Publicação
Domain Adaptation for Human Activity Recognition: A Case Study in ALS
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 6.96 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Amyotrophic Lateral Sclerosis (ALS) is an incurable neurodegenerative disease that leads
to severe motor impairment. This disease presents a heterogeneous progression among
the patients, hindering the prognostic prediction. Thus, automatically recognizing the
activities performed by the patients could provide relevant information for the prognosis.
Nonetheless, collecting enough labeled data from the patients to train the activity
classifiers reliably is difficult.
In order to surpass such data constraints, this research focused on leveraging motion
data from healthy subjects to enhance the performance of activity classifiers for ALS
patients using Domain Adaptation (DA) methods. These methods were first developed
and tested in public datasets and then used to adapt models from healthy subjects to ALS
patients. The importance of domain knowledge in human activity recognition and DA
was also addressed by using handcrafted features as an auxiliary input to deep learning
models.
Regarding the adaptation between public datasets, domain knowledge proved to be
more useful than DA methods when few samples from the target domain were available,
improving the deep learning baseline results, on average, by 10.56%. In opposition, DA
methods were more effective in adapting models trained on healthy subjects to ALS patients.
Therefore, this study points towards the usefulness of leveraging data from healthy
subjects to enhance the performance of activity classifiers for ALS patients through the
use of DA strategies. These findings bring activity-related insights for the remote monitoring
of ALS patients, which may be valuable for prognostic prediction and clinical
decision-making.
A Esclerose Lateral Amiotrófica (ELA) é uma doença neurodegenerativa sem cura que conduz a uma severa incapacidade motora. Esta doença apresenta uma progressão heterogénea entre os doentes, o que dificulta o seu prognóstico. Assim, reconhecer automaticamente as actividades realizadas pelos doentes poderá fornecer informações relevantes para o seu prognóstico. No entanto, é difícil recolher dados anotados dos doentes que sejam suficientes para treinar os classificadores de atividade. A fim de ultrapassar esta restrição de dados, este trabalho utilizou dados de movimento de indivíduos saudáveis para melhorar o desempenho dos classificadores de atividade de doentes com ELA, usando métodos de Adaptação de Domínio (AD). Estes métodos foram primeiramente desenvolvidos e testados em conjuntos de dados públicos, sendo posteriormente utilizados para adaptar modelos de sujeitos saudáveis para doentes com ELA. A importância do conhecimento de domínio em reconhecimento de atividade humana e AD foi também abordada, adicionando características extraídas manualmente a modelos de aprendizagem profunda. Relativamente à adaptação entre conjuntos de dados públicos, o conhecimento de domínio provou ser mais útil do que os métodos de AD, melhorando os resultados base de redes neuronais, em média, 10.56%. Contrariamente, os métodos de AD foram mais eficazes na adaptação de modelos treinados em sujeitos saudáveis para doentes com ELA. Assim, este estudo aponta para a utilidade do uso de dados de sujeitos saudáveis para melhorar o desempenho dos classificadores de atividade de doentes com ELA através da utilização de estratégias de AD. Estes resultados fornecem informação para a monitorização remota da atividade de doentes com ELA, que poderão auxiliar a previsão do prognóstico da doença e a tomada de decisões clínicas.
A Esclerose Lateral Amiotrófica (ELA) é uma doença neurodegenerativa sem cura que conduz a uma severa incapacidade motora. Esta doença apresenta uma progressão heterogénea entre os doentes, o que dificulta o seu prognóstico. Assim, reconhecer automaticamente as actividades realizadas pelos doentes poderá fornecer informações relevantes para o seu prognóstico. No entanto, é difícil recolher dados anotados dos doentes que sejam suficientes para treinar os classificadores de atividade. A fim de ultrapassar esta restrição de dados, este trabalho utilizou dados de movimento de indivíduos saudáveis para melhorar o desempenho dos classificadores de atividade de doentes com ELA, usando métodos de Adaptação de Domínio (AD). Estes métodos foram primeiramente desenvolvidos e testados em conjuntos de dados públicos, sendo posteriormente utilizados para adaptar modelos de sujeitos saudáveis para doentes com ELA. A importância do conhecimento de domínio em reconhecimento de atividade humana e AD foi também abordada, adicionando características extraídas manualmente a modelos de aprendizagem profunda. Relativamente à adaptação entre conjuntos de dados públicos, o conhecimento de domínio provou ser mais útil do que os métodos de AD, melhorando os resultados base de redes neuronais, em média, 10.56%. Contrariamente, os métodos de AD foram mais eficazes na adaptação de modelos treinados em sujeitos saudáveis para doentes com ELA. Assim, este estudo aponta para a utilidade do uso de dados de sujeitos saudáveis para melhorar o desempenho dos classificadores de atividade de doentes com ELA através da utilização de estratégias de AD. Estes resultados fornecem informação para a monitorização remota da atividade de doentes com ELA, que poderão auxiliar a previsão do prognóstico da doença e a tomada de decisões clínicas.
Descrição
Palavras-chave
Human Activity Recognition Amyotrophic Lateral Sclerosis Domain Adaptation Transfer Learning