Return to search

Investigating intra and inter-subject performance with deep learning for gait on irregular surfaces

La médecine personnalisée promet des soins adaptés à chaque patient. Cependant, l’ap-
prentissage automatique appliqué à cette fin nécessite beaucoup d’améliorations. L’évalua-
tion des modèles est une étape cruciale qui nécessite du travail pour amener à un niveau
acceptable pour son utilisation avec des participants. Actuellement, les performances sur
les ensembles de données biomédicales sont évaluées à l’aide d’un découpage intra-sujet ou
inter-sujet. Le premier se concentre sur l’évaluation des participants présents à la fois dans les
ensembles d’entraînement et de test. Ce dernier sépare les participants pour chaque ensemble.
Ces termes sont respectivement synonymes de fractionnement aléatoire et par sujet. Deux
méthodes principales se présentent comme des solutions pour obtenir des performances de
franctionnement aléatoires lors d’entraînement de méthodes par sujet, calibration et sans ca-
libration. Alors que la calibration se concentre sur l’entraînement d’un petit sous-ensemble
de participant non vues, les méthodes sans calibration visent à modifier l’architecture du
modèle ou les traitements préliminaire pour contourner la nécessité du sous-ensemble. Ce
mémoire étudiera la calibration non paramétrique pour ses propriétés d’indépendance de
la modalité. L’article présenté détaillera cette enquête pour combler l’écart de performance
sur un ensemble de données d’essais de marche sur des surfaces irrégulières. Nous détermi-
nons que quelques cycles (1-2) de marche sont suffisants pour calibrer les modèles pour des
performances adéquates (F1 : +90%). Avec accès à des essais de cycle de marche supplémen-
taires (+10), le modèle a atteint à peu près les mêmes performances qu’un modèle formé
à l’aide d’une approche de fractionnement aléatoire (F1 : 95-100%). Suivant les objectifs
de la médecine personnalisée, des voies de recherche supplémentaires sont décrites, telles
qu’une méthode alternative de distribution de modèles qui s’adapte aux étapes de recherche
tout en réduisant les coûts de calcul pour les développeurs de modèles. Nous constatons
que l’étalonnage est une méthode valable pour surmonter l’écart de performance. Les ré-
sultats correspondent aux découvertes précédentes utilisant l’étalonnage pour obtenir des
performances robustes. / Personalized medicine promises care tailored to each patient; however, machine learning
applied to this end needs much improvement. Evaluation of models is a crucial step which
necessitates attention when utilized with participants. Currently, performance on biomedical datasets is evaluated using either intra-subject or inter-subject splitting. The former
focuses on the evaluation of participants present in both training and testing sets. The latter separates participants for each set. These terms are synonymous with random-wise and
subject-wise splitting, respectively. Two main methods present themselves as solutions to
achieving random-wise performance while training on a subject-wise dataset split, calibration and calibration-free methods. While calibration focuses on training a small subset of
unseen data trials, calibration-free methods aim to alter model architecture or pre-processing
steps to bypass the necessity of training data points. This thesis investigates non-parametric
calibration for its modality-agnostic properties. The article presented details this investigation at bridging the performance gap on a dataset of gait trials on irregular surfaces. We
determine few (1-2) gait cycles are sufficient to calibrate models for adequate performance
(F1:+90%). With access to additional gait cycle trials, the model achieved nearly the same
performance as a model trained using a random-split approach (F1:95-100%). Following the
goals of personalized medicine, additional research paths are outlined, such as an alternative
model distribution method which fits with research steps while reducing computational costs
for model developers. We find that calibration is a valid method to overcome the performance gap. The presented results correspond with previous findings by using calibration to
achieve robust performance.

Identiferoai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/28493
Date04 1900
CreatorsLam, Guillaume
ContributorsDixon, Philippe
Source SetsUniversité de Montréal
LanguageEnglish
Detected LanguageFrench
Typethesis, thèse
Formatapplication/pdf

Page generated in 0.0027 seconds