論文の概要: On-Device Transfer Learning for Personalising Psychological Stress Modelling using a Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2004.01603v1
• Date: Fri, 3 Apr 2020 14:48:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:01:57.034437
• Title: On-Device Transfer Learning for Personalising Psychological Stress Modelling using a Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた心理ストレスモデリングのためのオンデバイス転送学習
• Authors: Kieran Woodward, Eiman Kanjo, David J. Brown and T.M. McGinnity
• Abstract要約: ストレスは、現代社会において、かつてないほど広い人口に悪影響を及ぼす懸念が高まっている。 ストレスの正確な推測は、個人化された介入の可能性をもたらす可能性がある。 ストレス実験を完了した20人の参加者のデータを用いて訓練した初期ベースモデルからトランスファー学習を活用することで、個人化されたクロスドメイン1D CNNの開発を提案する。
• 参考スコア（独自算出の注目度）: 4.40450723619303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stress is a growing concern in modern society adversely impacting the wider population more than ever before. The accurate inference of stress may result in the possibility for personalised interventions. However, individual differences between people limits the generalisability of machine learning models to infer emotions as people's physiology when experiencing the same emotions widely varies. In addition, it is time consuming and extremely challenging to collect large datasets of individuals' emotions as it relies on users labelling sensor data in real-time for extended periods. We propose the development of a personalised, cross-domain 1D CNN by utilising transfer learning from an initial base model trained using data from 20 participants completing a controlled stressor experiment. By utilising physiological sensors (HR, HRV EDA) embedded within edge computing interfaces that additionally contain a labelling technique, it is possible to collect a small real-world personal dataset that can be used for on-device transfer learning to improve model personalisation and cross-domain performance.
• Abstract（参考訳）: 現代社会のストレスは、これまで以上に広い人口に悪影響を及ぼしている。 ストレスの正確な推測は、個人化された介入の可能性をもたらす可能性がある。 しかし、個人差は、同じ感情を経験する際の人間の生理学として感情を推測する機械学習モデルの一般的な可能性を制限する。 さらに、センサーデータをリアルタイムにラベル付けするユーザに依存するため、個人の感情の大規模なデータセット収集には時間がかかり、極めて困難である。 制御ストレス実験を完了した20人の参加者のデータを用いて訓練した初期ベースモデルからトランスファー学習を活用することで、個人化されたクロスドメイン1D CNNの開発を提案する。 ラベル付けテクニックを付加したエッジコンピューティングインターフェース内に埋め込まれた生理学的センサー(HR, HRV EDA)を利用することで、オンデバイス移行学習に使用可能な小さな実世界のパーソナルデータセットを収集し、モデルのパーソナライズとクロスドメインパフォーマンスを向上させることができる。

関連論文リスト

• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• WEARS: Wearable Emotion AI with Real-time Sensor data [0.8740570557632509]
  スマートウォッチセンサを用いてユーザの感情を予測するシステムを提案する。 英語と地域語を併用した動画をリアルタイムに収集する枠組みを設計する。 また、心拍数、加速度計、ジャイロセンサーデータなどの特徴が気分に与える影響について、アブレーション調査を行った。
  論文  参考訳（メタデータ） (2023-08-22T11:03:00Z)
• A Novel Loss Function Utilizing Wasserstein Distance to Reduce Subject-Dependent Noise for Generalizable Models in Affective Computing [0.4818210066519976]
  感情は人間の行動の重要な部分であり、思考、意思決定、コミュニケーションスキルに影響を与える可能性がある。 感情を正確に監視し識別する能力は、行動訓練、感情的幸福の追跡、人間とコンピュータのインターフェイスの開発など、多くの人間中心のアプリケーションで有用である。
  論文  参考訳（メタデータ） (2023-08-17T01:15:26Z)
• Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
  ストレスは様々な健康問題への主要な貢献者として広く認められている。 リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。 しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
  論文  参考訳（メタデータ） (2023-08-04T22:26:33Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• The world seems different in a social context: a neural network analysis of human experimental data [57.729312306803955]
  本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。 トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:19:12Z)
• User profile-driven large-scale multi-agent learning from demonstration in federated human-robot collaborative environments [5.218882272051637]
  本稿では,提示された人間の行動のきめ細かい表現を提供する,新しいユーザプロファイルの定式化について紹介する。 全体的な設計は、人間の行動の短期的および長期的分析/解釈を可能にする。
  論文  参考訳（メタデータ） (2021-03-30T15:33:21Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• Combining Deep Transfer Learning with Signal-image Encoding for Multi-Modal Mental Wellbeing Classification [2.513785998932353]
  本稿では,複数のマルチモーダルデータセット上で感情状態認識を行う際の限界に対処する枠組みを提案する。 5-point Likertスケールで評価された実世界の幸福度を推定する際のモデル性能は,我々のフレームワークを用いて向上できることを示す。
  論文  参考訳（メタデータ） (2020-11-20T13:37:23Z)
• Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
  In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。 我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
  論文  参考訳（メタデータ） (2020-11-18T13:42:05Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。