Fugu-MT 論文翻訳(概要): Passive detection of behavioral shifts for suicide attempt prevention

論文の概要: Passive detection of behavioral shifts for suicide attempt prevention

arxiv url: http://arxiv.org/abs/2011.09848v1
Date: Sat, 14 Nov 2020 11:44:43 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 14:03:36.509622
Title: Passive detection of behavioral shifts for suicide attempt prevention
Title（参考訳）: 自殺予防のための行動変化のパッシブ検出
Authors: Pablo Moreno-Mu\~noz, Lorena Romero-Medrano, \'Angela Moreno, Jes\'us Herrera-L\'opez, Enrique Baca-Garc\'ia and Antonio Art\'es-Rodr\'iguez
Abstract要約: スマートフォンアプリから収集した非侵襲的データから精神科患者の行動変化を検出する非侵襲的機械学習モデルを提案する。臨床検査の結果から,自殺未遂予防のための早期発見モバイルツールのアイデアが浮き彫りになった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: More than one million people commit suicide every year worldwide. The costs of daily cares, social stigma and treatment issues are still hard barriers to overcome in mental health. Most symptoms of mental disorders are related to the behavioral state of a patient, such as the mobility or social activity. Mobile-based technologies allow the passive collection of patients data, which supplements conventional assessments that rely on biased questionnaires and occasional medical appointments. In this work, we present a non-invasive machine learning (ML) model to detect behavioral shifts in psychiatric patients from unobtrusive data collected by a smartphone app. Our clinically validated results shed light on the idea of an early detection mobile tool for the task of suicide attempt prevention.
Abstract（参考訳）: 毎年100万人以上が自殺している。日々のケア、社会的汚名、治療のコストは、精神の健康を克服するのは難しい障壁である。精神障害のほとんどの症状は、移動性や社会的活動などの患者の行動状態と関連している。モバイルベースの技術は、患者データの受動的収集を可能にし、偏りのあるアンケートや時々の医療予約に依存する従来の評価を補完する。本研究では,スマートフォンアプリから収集した非侵襲的データから精神科患者の行動変化を検出する非侵襲的機械学習(ML)モデルを提案する。臨床検査の結果から,自殺未遂対策のための早期発見モバイルツールのアイデアが明らかになった。

関連論文リスト

MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
メンタルヘルス障害は世界で最も深刻な病気の1つである。プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。 MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
論文参考訳（メタデータ） (2024-10-09T13:06:40Z)
Conceptualizing Suicidal Behavior: Utilizing Explanations of Predicted Outcomes to Analyze Longitudinal Social Media Data [2.76101452577748]
新型コロナウイルスのパンデミックは世界中でメンタルヘルスの危機をエスカレートしている。自殺は、恥、虐待、放棄、うつ病のような精神状態などの社会的要因によって引き起こされる。これらの状況が発展するにつれて、自殺的思考の兆候がソーシャルメディアの相互作用に現れる可能性がある。
論文参考訳（メタデータ） (2023-12-13T17:15:12Z)
A Hybrid Approach for Depression Classification: Random Forest-ANN Ensemble on Motor Activity Signals [4.798808180453298]
ウェアラブルセンサーは、メンタルヘルスの問題を追跡し、理解する潜在的な手段を提供する。近年の研究では、これらのセンサーと機械学習の手法を併用して、異なる精神状態に関連するパターンを特定している。本稿では、うつ病患者のセンサデータを評価するために最適化されたHybrid Random forest - Neural Networkと呼ばれる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-13T17:39:35Z)
Predicting mental health using social media: A roadmap for future development [0.0]
うつ病や自殺などの精神障害は、世界中で3億人以上の人々に影響を及ぼす。ソーシャルメディア上では、精神障害の症状が観察され、自動化されたアプローチがそれらを検出する能力が高まっている。この研究は、精神状態検出を機械学習技術に基づいて行うことができる分析のロードマップを提供する。
論文参考訳（メタデータ） (2023-01-25T08:08:29Z)
Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文参考訳（メタデータ） (2022-11-08T17:29:40Z)
Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文参考訳（メタデータ） (2022-07-26T02:08:08Z)
Mental Illness Classification on Social Media Texts using Deep Learning and Transfer Learning [55.653944436488786]
世界保健機関(WHO)によると、約4億5000万人が影響を受ける。うつ病、不安症、双極性障害、ADHD、PTSDなどの精神疾患。本研究では、Redditプラットフォーム上の非構造化ユーザデータを分析し、うつ病、不安、双極性障害、ADHD、PTSDの5つの一般的な精神疾患を分類する。
論文参考訳（メタデータ） (2022-07-03T11:33:52Z)
Objective Prediction of Tomorrow's Affect Using Multi-Modal Physiological Data and Personal Chronicles: A Study of Monitoring College Student Well-being in 2020 [0.0]
本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。 1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
論文参考訳（メタデータ） (2022-01-26T23:06:20Z)
Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文参考訳（メタデータ） (2021-06-24T17:46:03Z)
Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
論文参考訳（メタデータ） (2020-08-09T20:22:52Z)

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。