論文の概要: Wearable and Continuous Prediction of Passage of Time Perception for Monitoring Mental Health

• arxiv url: http://arxiv.org/abs/2105.02808v1
• Date: Mon, 3 May 2021 11:05:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 04:47:59.688968
• Title: Wearable and Continuous Prediction of Passage of Time Perception for Monitoring Mental Health
• Title（参考訳）: メンタルヘルスモニタリングのためのウェアラブルと連続的時間知覚通過予測
• Authors: Lara Orlandic, Adriana Arza Valdes, David Atienza
• Abstract要約: 人の時間知覚の通過(POTP)は、精神状態とストレス応答に強く関連しています。 ウェアラブルバイオセンサーから取得したバイオマーカーからポットを予測するカスタム実験と機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 4.2724648720623675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A person's passage of time perception (POTP) is strongly linked to their mental state and stress response, and can therefore provide an easily quantifiable means of continuous mental health monitoring. In this work, we develop a custom experiment and Machine Learning (ML) models for predicting POTP from biomarkers acquired from wearable biosensors. We first confirm that individuals experience time passing slower than usual during fear or sadness (p = 0.046) and faster than usual during cognitive tasks (p = 2 x 10^-5). Then, we group together the experimental segments associated with fast, slow, and normal POTP, and train a ML model to classify between these states based on a person's biomarkers. The classifier had a weighted average F-1 score of 79%, with the fast-passing time class having the highest F-1 score of 93%. Next, we classify each individual's POTP regardless of the task at hand, achieving an F-1 score of 77.1% when distinguishing time passing faster rather than slower than usual. In the two classifiers, biomarkers derived from the respiration, electrocardiogram, skin conductance, and skin temperature signals contributed most to the classifier output, thus enabling real-time POTP monitoring using noninvasive, wearable biosensors.
• Abstract（参考訳）: 人の時間知覚(POTP)は、精神状態とストレス反応に強く結びついているので、継続的なメンタルヘルスモニタリングの容易な定量化手段を提供することができる。 本研究では,ウェアラブルバイオセンサから取得したバイオマーカーからPOTPを予測するカスタム実験と機械学習(ML)モデルを開発する。 まず、個人が恐怖や悲しみ(p = 0.046)の時よりも遅く、認知タスク(p = 2 x 10^-5)の時よりも速い時間経過を経験できることを確認する。 次に, 高速, 遅い, 正常なPOTPに関連する実験セグメントをグループ化し, 人間のバイオマーカーに基づいて, これらの状態の分類を行うMLモデルを訓練する。 分類器の平均f-1スコアは79%で、高速通過時間クラスはf-1スコアの最大93%であった。 次に,手作業によらず各個人のポットを分類し,通常よりも遅く経過する時間を識別すると,77.1%のf-1スコアを得る。 2種類の分類器では, 呼吸, 心電図, 皮膚コンダクタンス, 皮膚温度信号から得られたバイオマーカーが分類器の出力に大きく寄与し, 非侵襲型ウェアラブルバイオセンサーを用いたリアルタイムPOTPモニタリングが可能となった。

関連論文リスト

• Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
  英国在住の一般住民10,129名のデータを横断的に分析した。 参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。 気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
  論文  参考訳（メタデータ） (2024-09-24T16:05:17Z)
• Automatic Classification of Subjective Time Perception Using Multi-modal Physiological Data of Air Traffic Controllers [3.7423614135604093]
  我々は、人間の主観的時間知覚を調節する装置を開発することを目指している。 本研究では,航空管制官の主観的時間知覚を自動的に評価する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T10:15:10Z)
• Prediction of Depression Severity Based on the Prosodic and Semantic Features with Bidirectional LSTM and Time Distributed CNN [14.994852548758825]
  抑うつ予測のための注意に基づくマルチモーダリティ音声とテキスト表現を提案する。 本モデルは,OzデータセットのDistress Analysis Interview Corpus-Wizardを用いて,参加者のうつ病重症度を推定するために訓練された。 実験では、過去の研究よりも統計的に有意な改善が見られた。
  論文  参考訳（メタデータ） (2022-02-25T01:42:29Z)
• Application of Machine Learning to Sleep Stage Classification [0.7196441171503458]
  睡眠研究は、睡眠喪失と精神病理に寄与するメカニズムの解明に関連する表現型を再カプセル化するために不可欠である。 多くの場合、調査員は手動でポリソムノグラフィーを警戒状態に分類する。 我々は,単一の脳波読み取りに基づいて警戒状態を確実に予測できる,自動かつオープンアクセスの分類器を作ることを目指している。
  論文  参考訳（メタデータ） (2021-11-04T18:00:50Z)
• 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)
• Correct block-design experiments mitigate temporal correlation bias in EEG classification [68.85562949901077]
  [1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。 脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:25:21Z)
• Automatic detection of microsleep episodes with deep learning [55.41644538483948]
  15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される 覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。 MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。 入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
  論文  参考訳（メタデータ） (2020-09-07T11:38:40Z)
• 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)
• 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)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• 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)

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。