論文の概要: Monitoring My Dehydration: A Non-Invasive Dehydration Alert System Using
Electrodermal Activity
- arxiv url: http://arxiv.org/abs/2009.13626v1
- Date: Fri, 25 Sep 2020 16:55:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 00:24:30.093045
- Title: Monitoring My Dehydration: A Non-Invasive Dehydration Alert System Using
Electrodermal Activity
- Title(参考訳): 脱水モニタリング:電熱活性を利用した非侵襲脱水アラートシステム
- Authors: Nandan Kulkarni, Christopher Compton, Jooseppi Luna, Mohammad Arif Ul
Alam
- Abstract要約: 脱水症状は、男女ともに生産性、認知障害、気分を低下させる。
そこで本稿では,信号処理と機械学習技術と併用してウェアラブル・エレクトロミカル・アクティビティ(EDA)センサを用いて,脱水自動監視ツールを初めて開発することを提案する。
本システムでは, 脱水レベルの推定精度84.5%, 感度87.5%, 特異度90.3%を提供する。
- 参考スコア(独自算出の注目度): 1.224954637705144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Staying hydrated and drinking fluids is extremely crucial to stay healthy and
maintaining even basic bodily functions. Studies have shown that dehydration
leads to loss of productivity, cognitive impairment and mood in both men and
women. However, there are no such an existing tool that can monitor dehydration
continuously and provide alert to users before it affects on their health. In
this paper, we propose to utilize wearable Electrodermal Activity (EDA) sensors
in conjunction with signal processing and machine learning techniques to
develop first time ever a dehydration self-monitoring tool, \emph{Monitoring My
Dehydration} (MMD), that can instantly detect the hydration level of human
skin. Moreover, we develop an Android application over Bluetooth to connect
with wearable EDA sensor integrated wristband to track hydration levels of the
users real-time and instantly alert to the users when the hydration level goes
beyond the danger level. To validate our developed tool's performance, we
recruit 5 users, carefully designed the water intake routines to annotate the
dehydration ground truth and trained state-of-art machine learning models to
predict instant hydration level i.e., well-hydrated, hydrated, dehydrated and
very dehydrated. Our system provides an accuracy of 84.5% in estimating
dehydration level with an sensitivity of 87.5% and a specificity of 90.3% which
provides us confidence of moving forward with our method for larger
longitudinal study.
- Abstract(参考訳): 水分と飲料液は、健康を維持し、基礎的な身体機能を維持することが極めて重要である。
研究により、脱水は男女ともに生産性の低下、認知障害、気分の低下をもたらすことが示されている。
しかし、脱水症状を継続的に監視し、健康に影響を及ぼす前にユーザーに警告を提供するような既存のツールは存在しない。
本稿では,ヒト皮膚の水和レベルを瞬時に検出できる脱水自動監視ツールである 'emph{Monitoring My Dehydration} (MMD) の開発に,信号処理と機械学習技術とともにウェアラブル電極運動(EDA)センサを活用することを提案する。
さらに,Bluetooth上のAndroidアプリケーションを開発し,ウェアラブルEDAセンサ統合リストバンドと接続することで,ユーザの水和レベルをリアルタイムで追跡し,水和レベルが危険レベルを超えると即座にユーザに警告する。
開発ツールの性能を検証するため,私たちは5人のユーザを募集し,脱水場真実に注釈をつけるための吸水ルーチンを慎重に設計し,即時脱水レベルを予測するための最先端機械学習モデルを訓練した。
本システムでは,87.5%の感度と90.3%の特異性で脱水レベルを推定する精度を84.5%提供し,より大規模な縦断研究のための手法で前進する自信を与える。
関連論文リスト
- DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文 参考訳(メタデータ) (2023-05-02T18:06:21Z) - Visual Detection of Diver Attentiveness for Underwater Human-Robot
Interaction [15.64806176508126]
自律型水中車両(AUV)におけるダイバーアテンション推定手法を提案する。
このフレームワークのコア要素はディープニューラルネットワーク(DATT-Netと呼ばれる)で、ダイバーの10の顔キーポイント間の幾何学的関係を利用して、その方向を決定する。
実験により,提案したDATT-Netアーキテクチャは,有望な精度でヒトダイバーの注意力を決定することができることを示した。
論文 参考訳(メタデータ) (2022-09-28T22:08:41Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳(メタデータ) (2021-10-19T11:45:01Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Automatic Unstructured Handwashing Recognition using Smartwatch to
Reduce Contact Transmission of Pathogens [2.578242050187029]
SARSCoV-2ウイルスは呼吸液滴や接触によって伝染する。
現在のスマートウォッチは、被験者がいつ手を洗っているか、または手をこすっているかを認識でき、周波数や時間などのパラメータを監視することができる。
予備実験の結果,深層学習と標準学習のそれぞれで95%,約94%の分類精度が得られた。
論文 参考訳(メタデータ) (2021-07-28T14:52:45Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳(メタデータ) (2021-04-29T00:11:32Z) - MyWear: A Smart Wear for Continuous Body Vital Monitoring and Emergency
Alert [0.19116784879310023]
本研究では, 生理的データを収集し, その心拍数, ストレスレベル, 筋活動を自動的に解析し, 異常を検知するウェアラブルボディバイタルモニタリング服を提案する。
生理データのコピーがクラウドに送信され、心臓の鼓動の異常を検出し、将来の心不全を予測する。
提案されたMyWearの平均精度は96.9%、異常検出の精度は97.3%である。
論文 参考訳(メタデータ) (2020-10-17T21:11:20Z) - Deep CHORES: Estimating Hallmark Measures of Physical Activity Using
Deep Learning [0.20999222360659603]
手首の加速度計の人気が高まる中、PA型を認識し、寿命にわたってエネルギー消費(EE)を推定するための厳密な評価が必要である。
時系列データから空間的・時間的表現を抽出する深層学習ネットワークを構築し,PA型認識とEE推定に利用した。
論文 参考訳(メタデータ) (2020-07-26T12:15:50Z) - 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) - AutoCogniSys: IoT Assisted Context-Aware Automatic Cognitive Health
Assessment [2.7998963147546148]
AutoCogniSysは、コンテキスト対応の自動認知ヘルスアセスメントシステムである。
我々は,高齢者の生活環境における認知的健康度自動評価システムを開発した。
AutoCogniSysのパフォーマンスは、高齢者の認知健康度を評価する際の精度の最大93%を証明している。
論文 参考訳(メタデータ) (2020-03-17T01:44:59Z) - 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。