Fugu-MT 論文翻訳(概要): MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks

論文の概要: MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks

arxiv url: http://arxiv.org/abs/2102.10435v1
Date: Sat, 20 Feb 2021 20:17:07 GMT
ステータス: 処理完了
システム内更新日: 2021-02-24 20:23:55.422409
Title: MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks
Title（参考訳）: MHDeep:身体領域と深部ニューラルネットワークに基づくメンタルヘルス障害検出システム
Authors: Shayan Hassantabar, Joe Zhang, Hongxu Yin, and Niraj K. Jha
Abstract要約: メンタルヘルス問題は世界中の何百万人もの人々の生活の質に影響を与える。最近の身体領域ネットワークの導入は、可能なソリューションに向かっています。市販WMSと効率的なDNNモデルを用いて3つの重要なメンタルヘルス障害を診断するMHDeepというフレームワークを提案する。
参考スコア（独自算出の注目度）: 7.899611309200699
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Mental health problems impact quality of life of millions of people around the world. However, diagnosis of mental health disorders is a challenging problem that often relies on self-reporting by patients about their behavioral patterns. Therefore, there is a need for new strategies for diagnosis of mental health problems. The recent introduction of body-area networks consisting of a plethora of accurate sensors embedded in smartwatches and smartphones and deep neural networks (DNNs) points towards a possible solution. However, disease diagnosis based on WMSs and DNNs, and their deployment on edge devices, remains a challenging problem. To this end, we propose a framework called MHDeep that utilizes commercially available WMSs and efficient DNN models to diagnose three important mental health disorders: schizoaffective, major depressive, and bipolar. MHDeep uses eight different categories of data obtained from sensors integrated in a smartwatch and smartphone. Due to limited available data, MHDeep uses a synthetic data generation module to augment real data with synthetic data drawn from the same probability distribution. We use the synthetic dataset to pre-train the DNN models, thus imposing a prior on the weights. We use a grow-and-prune DNN synthesis approach to learn both the architecture and weights during the training process. We use three different data partitions to evaluate the MHDeep models trained with data collected from 74 individuals. We conduct data instance level and patient level evaluations. MHDeep achieves an average test accuracy of 90.4%, 87.3%, and 82.4%, respectively, for classifications between healthy instances and schizoaffective disorder instances, major depressive disorder instances, and bipolar disorder instances. At the patient level, MHDeep DNNs achieve an accuracy of 100%, 100%, and 90.0% for the three mental health disorders, respectively.
Abstract（参考訳）: メンタルヘルス問題は世界中の何百万人もの人々の生活の質に影響を与える。しかし、メンタルヘルス障害の診断は、しばしば患者の行動パターンに関する自己報告に依存する困難な問題である。そのため,精神疾患の診断には新たな方策が必要である。最近のボディエリアネットワークの導入は、スマートウォッチやスマートフォンに埋め込まれた多数の正確なセンサーとディープニューラルネットワーク(DNN)で構成される。しかしながら、WMSとDNNに基づく疾患診断とエッジデバイスへの展開は、依然として困難な問題である。この目的のために、市販のWMSと効率的なDNNモデルを用いて、schizoaffective、Major depressive、bipolarの3つの重要なメンタルヘルス障害を診断するMHDeepというフレームワークを提案する。 MHDeepは、スマートウォッチとスマートフォンに組み込まれたセンサーから得られる8種類のデータを使用する。利用可能なデータが少ないため、MHDeepは合成データ生成モジュールを使用して、同じ確率分布から引き出された合成データを用いて実データを拡張する。合成データセットを使用して、DNNモデルを事前にトレーニングするため、ウェイトを優先します。トレーニングプロセス中にアーキテクチャと重みの両方を学ぶために、成長と創発的なDNN合成アプローチを使用します。 74人の個人から収集したデータでトレーニングしたMHDeepモデルを評価するために、3つの異なるデータパーティションを使用します。データインスタンスレベルと患者レベルの評価を行います。 MHDeepの平均テスト精度は90.4%、87.3%、82.4%で、健康なインスタンスと、schizoaffective disorder(英語版)、Major depressive disorder(英語版)、bipolar disorder(英語版)のインスタンスを分類する。患者レベルでは、MHDeep DNNは3つのメンタルヘルス障害に対してそれぞれ100%、100%、90.0%の精度を達成する。

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)
Mental Health Diagnosis in the Digital Age: Harnessing Sentiment Analysis on Social Media Platforms upon Ultra-Sparse Feature Content [3.6195994708545016]
3次元構造を持つ新しい意味的特徴前処理手法を提案する。強化されたセマンティック機能により、精神障害を予測および分類するために機械学習モデルを訓練する。提案手法は,7つのベンチマークモデルと比較して,大幅な性能向上を示した。
論文参考訳（メタデータ） (2023-11-09T00:15:06Z)
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)
Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文参考訳（メタデータ） (2023-02-23T09:22:05Z)
"My nose is running.""Are you also coughing?": Building A Medical Diagnosis Agent with Interpretable Inquiry Logics [80.55587329326046]
本稿では,DSMDの対話マネージャを実装するための,より解釈可能な意思決定プロセスを提案する。推論を行うために、非常に透明なコンポーネントを持つモデルを考案する。実験の結果,診断精度は7.7%,10.0%,3.0%向上した。
論文参考訳（メタデータ） (2022-04-29T09:02:23Z)
StressNAS: Affect State and Stress Detection Using Neural Architecture Search [5.769434074651159]
WESADのデータのみを用いたニューラルネットワーク探索を用いた深層ニューラルネットワークの学習手法を提案する。実験の結果,従来のML手法よりも8.22%,6.02%優れていた。
論文参考訳（メタデータ） (2021-08-26T07:23:21Z)
Deep Convolutional Neural Network based Classification of Alzheimer's Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文参考訳（メタデータ） (2021-01-08T06:51:08Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文参考訳（メタデータ） (2020-06-30T14:56:05Z)
MODMA dataset: a Multi-modal Open Dataset for Mental-disorder Analysis [22.766963176531338]
本稿では,精神障害分析のためのマルチモーダルオープンデータセットを提案する。このデータセットには、臨床症状のある患者の脳波と音声データが含まれ、正常なコントロールと一致する。 EEGデータセットには、従来の128電極搭載弾性キャップを使用して収集されたデータだけでなく、普及したアプリケーションのための新しいウェアラブルな3電極EEGコレクタも含まれている。
論文参考訳（メタデータ） (2020-02-20T09:40:39Z)

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。