論文の概要: GSR Analysis for Stress: Development and Validation of an Open Source
Tool for Noisy Naturalistic GSR Data
- arxiv url: http://arxiv.org/abs/2005.01834v3
- Date: Wed, 1 Jul 2020 19:06:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:48:36.361223
- Title: GSR Analysis for Stress: Development and Validation of an Open Source
Tool for Noisy Naturalistic GSR Data
- Title(参考訳): ストレスに対するgsr分析:ノイズ自然主義gsrデータのためのオープンソースツールの開発と検証
- Authors: Seyed Amir Hossein Aqajari (1), Emad Kasaeyan Naeini (1), Milad Asgari
Mehrabadi (1), Sina Labbaf (1), Amir M. Rahmani (1 and 2), Nikil Dutt (1)
((1) Department of Computer Science, University of California, Irvine, (2)
School of Nursing, University of California, Irvine)
- Abstract要約: ガルバニック皮膚反応(Galvanic Skin Response、GSR)は、ストレスの指標の1つである。
本稿では,GSR解析のためのオープンソースのツールを提案する。これは,学習アルゴリズムと統計アルゴリズムを併用して,ストレス検出のためのGSR特徴抽出を行う。
その結果,10倍のクロスバリデーションを用いて,92%の精度で応力を検出することができることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The stress detection problem is receiving great attention in related research
communities. This is due to its essential part in behavioral studies for many
serious health problems and physical illnesses. There are different methods and
algorithms for stress detection using different physiological signals. Previous
studies have already shown that Galvanic Skin Response (GSR), also known as
Electrodermal Activity (EDA), is one of the leading indicators for stress.
However, the GSR signal itself is not trivial to analyze. Different features
are extracted from GSR signals to detect stress in people like the number of
peaks, max peak amplitude, etc. In this paper, we are proposing an open-source
tool for GSR analysis, which uses deep learning algorithms alongside
statistical algorithms to extract GSR features for stress detection. Then we
use different machine learning algorithms and Wearable Stress and Affect
Detection (WESAD) dataset to evaluate our results. The results show that we are
capable of detecting stress with the accuracy of 92 percent using 10-fold
cross-validation and using the features extracted from our tool.
- Abstract(参考訳): ストレス検出問題は関連研究コミュニティで大きな注目を集めている。
これは、多くの深刻な健康問題や身体疾患に対する行動研究に欠かせない部分である。
様々な生理的信号を用いたストレス検出法とアルゴリズムがある。
以前の研究では、ガルバニック皮膚反応(gsr、electrormal activity、eda)がストレスの主要な指標の1つであることが示されている。
しかし、GSRシグナル自体を解析するのは簡単ではない。
GSR信号から異なる特徴を抽出し、ピーク数やピーク振幅の最大値など、人々のストレスを検出する。
本稿では,統計アルゴリズムとともに深層学習アルゴリズムを用いてストレス検出のためのgsr特徴を抽出する,gsr分析のためのオープンソースツールを提案する。
次に、異なる機械学習アルゴリズムとWearable Stress and Affect Detection (WESAD)データセットを使用して結果を評価する。
その結果,10倍のクロスバリデーションとツールから抽出した特徴を用いて,92%の精度で応力を検出することができた。
関連論文リスト
- Machine Learning, Deep Learning and Data Preprocessing Techniques for
Detection, Prediction, and Monitoring of Stress and Stress-related Mental
Disorders: A Scoping Review [0.0]
ストレスやストレス関連MDのコンテキストで使用される最新の機械学習アルゴリズム、前処理技術、データタイプを調査する。
Support Vector Machine(SVM)、Neural Network(NN)、Random Forest(RF)モデルは、常に優れた精度と堅牢性を示している。
論文 参考訳(メタデータ) (2023-08-08T22:47:12Z) - Sequential Attention Source Identification Based on Feature
Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文 参考訳(メタデータ) (2023-06-28T03:00:28Z) - Employing Multimodal Machine Learning for Stress Detection [8.430502131775722]
メンタルウェルネスは、今日の世界で最も無視されているが決定的な側面の1つである。
本研究では、人の作業行動とストレスレベルを監視するために、マルチモーダルなAIベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-15T14:34:16Z) - Analysing the Performance of Stress Detection Models on Consumer-Grade
Wearable Devices [9.580380455705397]
ストレスレベルは、メンタルヘルス分析のための貴重なデータと、アノテーションシステムのためのラベルを提供することができる。
低分解能エレクトロミカルアクティビティ(EDA)信号を用いてストレスパターンを識別する可能性についての研究は乏しい。
論文 参考訳(メタデータ) (2022-03-18T00:36:27Z) - StressNet: Detecting Stress in Thermal Videos [10.453959171422147]
本稿では, サーマルビデオから生理的信号を取得し, ストレス状態を分類するための新しい手法を提案する。
ストレスネット (StressNet) は、ストレス人の定量的指標と考えられる心交感神経活動の変化の尺度であるISTI (Initial Systolic Time Interval) を再構成する。
詳細な評価では、ISTI信号の95%の精度で推定し、平均精度0.842で応力を検出することが示されている。
論文 参考訳(メタデータ) (2020-11-18T20:47:23Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z) - Accurate Stress Assessment based on functional Near Infrared
Spectroscopy using Deep Learning Approach [0.0]
本研究では,10名の健常者から記録された脳の機能的近赤外分光法(fNIRS)を用いて,モントリオール・イメージング・ストレス・タスクによって引き起こされるストレスを評価する。
実験の結果, トレーニングされたfNIRSモデルは, 88.52~0.77%の精度で応力分類を行うことがわかった。
その低い計算コストは、リアルタイムのストレスアセスメントに適用される可能性を開く。
論文 参考訳(メタデータ) (2020-02-14T23:55:08Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。