MARC

 008250123s2024        us                              c    eng  d
■001000017164961
■00520250211153107
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346391654
■035    ▼a(MiAaPQ)AAI31682035
■035    ▼a(MiAaPQ)Purdue26069641
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a612.76
■1001  ▼aLiu,  Ming.
■24510▼aDeep  Learning  of  Biomechanical  Dynamics  with  Spatial  Variability  Mining  and  Model  Sparsifiation
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a96  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  A.
■500    ▼aAdvisor:  Zhang,  Qingxue.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aDeep  learning  of  biomechanical  dynamics  is  of  great  promise  in  smart  health  and  data-driven  precision  medicine.  Biomechanical  dynamics  are  related  to  the  movement  patterns  and  gait  characteristics  of  human  people  and  may  provide  important  insights  if  mined  by  deep  learning  models.  However,  efficient  deep  learning  of  biomechanical  dynamics  is  still  challenging,  considering  that  there  is  a  high  diversity  in  the  dynamics  from  different  body  locations,  and  the  deep  learning  model  may  need  to  be  lightweight  enough  to  be  able  to  be  deployed  in  real-time.Targeting  these  challenges,  we  have  firstly  conducted  studies  on  the  spatial  variability  of  biomechanical  dynamics,  aiming  to  evaluate  and  determine  the  optimal  body  location  that  is  of  great  promise  in  robust  physical  activity  type  detection.  Further,  we  have  developed  a  framework  for  deep  learning  pruning,  aiming  to  determine  the  optimal  pruning  schemes  while  maintaining  acceptable  performance.  More  specifically,  the  proposed  approach  first  evaluates  the  layer  importance  of  the  deep  learning  model,  and  then  leverages  the  probabilistic  distribution-enabled  threshold  determination  to  optimize  the  pruning  rate.  The  weighted  random  thresholding  method  is  first  investigated  to  further  the  understanding  of  the  behavior  of  the  pruning  action  for  each  layer.  Afterwards,  the  Gaussian-based  thresholding  is  designed  to  more  effectively  optimize  the  pruning  strategies,  which  can  find  out  the  fine-grained  pruning  schemes  with  both  emphasis  and  diversity  regulation.Even  further,  we  have  enhanced  and  boosted  the  efficient  deep  learning  framework,  to  co-optimize  the  accuracy  and  the  continuity  during  the  pruning  process,  with  the  latter  metric  -  continuity  meaning  that  the  pruning  locations  in  the  weight  matrices  are  encouraged  to  not  cause  too  many  noncontinuous  non-pruned  locations  thereby  achieving  friendly  model  implementation.  More  specifically,  the  proposed  framework  leverages  the  significance  scoring  and  the  continuity  scoring  to  quantize  the  characteristics  of  each  of  pruned  convolutional  filters,  then  leverages  the  clustering  technique  to  group  the  pruned  filters  for  each  convolutional  stage.  Afterwards,  the  regularized  ranking  approach  is  designed  to  rank  the  pruned  filters,  through  putting  more  emphasis  on  the  continuity  scores  to  encourage  friendly  implementation.  In  the  end,  a  dual-thresholding  strategy  is  leveraged  to  increase  the  diversity  in  this  framework,  during  significance  &  continuity  cooptimization.Experimental  results  have  demonstrated  promising  findings,  with  enhanced  understanding  of  the  spatial  variability  of  the  biomechanical  dynamics  and  best  performance  body  location  selection,  with  the  effective  deep  learning  model  pruning  framework  that  can  reduce  the  model  size  significantly  with  performance  maintained,  and  further,  with  the  boosted  framework  that  cooptimizes  the  accuracy  and  continuity  to  all  consider  the  friendly  implementation  during  the  pruning  process.  Overall,  this  research  will  greatly  advance  the  deep  biomechanical  mining  towards  efficient  smart  health.
■590    ▼aSchool  code:  0183.
■650  4▼aHuman  mechanics
■650  4▼aExercise
■650  4▼aDeep  learning
■650  4▼aComputer  science
■650  4▼aRecommender  systems
■650  4▼aNormal  distribution
■650  4▼aClustering
■650  4▼aCamcorders
■650  4▼aPattern  recognition
■650  4▼aGait
■650  4▼aNeural  networks
■650  4▼aNatural  language  processing
■650  4▼aBiomechanics
■650  4▼aAccelerometers
■650  4▼aHuman  body
■650  4▼aKinesiology
■650  4▼aInformation  science
■650  4▼aInformation  technology
■690    ▼a0984
■690    ▼a0648
■690    ▼a0800
■690    ▼a0575
■690    ▼a0723
■690    ▼a0489
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05A.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164961▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서