論文の概要: Machine Learning Based Anxiety Detection in Older Adults using Wristband
Sensors and Context Feature
- arxiv url: http://arxiv.org/abs/2106.03019v1
- Date: Sun, 6 Jun 2021 03:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 22:35:42.642341
- Title: Machine Learning Based Anxiety Detection in Older Adults using Wristband
Sensors and Context Feature
- Title(参考訳): Wristband Sensorsとコンテキスト特徴を用いた高齢者の機械学習による不安検出
- Authors: Rajdeep Kumar Nath and Himanshu Thapliyal
- Abstract要約: 本手法は,1つの生理的信号の特徴と実験的文脈に基づく特徴を組み合わせ,不安検出手法を提案する。
本研究は, 高齢者の不安の長期モニタリングを容易にするために, 低コストのコンシューマーデバイスを用いた不安検知手法の有効性を示すものである。
- 参考スコア(独自算出の注目度): 1.52292571922932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper explores a novel method for anxiety detection in older adults
using simple wristband sensors such as Electrodermal Activity (EDA) and
Photoplethysmogram (PPG) and a context-based feature. The proposed method for
anxiety detection combines features from a single physiological signal with an
experimental context-based feature to improve the performance of the anxiety
detection model. The experimental data for this work is obtained from a
year-long experiment on 41 healthy older adults (26 females and 15 males) in
the age range 60-80 with mean age 73.36+-5.25 during a Trier Social Stress Test
(TSST) protocol. The anxiety level ground truth was obtained from State-Trait
Anxiety Inventory (STAI), which is regarded as the gold standard to measure
perceived anxiety. EDA and Blood Volume Pulse (BVP) signals were recorded using
a wrist-worn EDA and PPG sensor respectively. 47 features were computed from
EDA and BVP signal, out of which a final set of 24 significantly correlated
features were selected for analysis. The phases of the experimental study are
encoded as unique integers to generate the context feature vector. A
combination of features from a single sensor with the context feature vector is
used for training a machine learning model to distinguish between anxious and
not-anxious states. Results and analysis showed that the EDA and BVP machine
learning models that combined the context feature along with the physiological
features achieved 3.37% and 6.41% higher accuracy respectively than the models
that used only physiological features. Further, end-to-end processing of EDA
and BVP signals was simulated for real-time anxiety level detection. This work
demonstrates the practicality of the proposed anxiety detection method in
facilitating long-term monitoring of anxiety in older adults using low-cost
consumer devices.
- Abstract(参考訳): 本稿では,高齢者の脳波活動 (eda) やフォトプレチスモグラム (ppg) などの簡易なリストバンドセンサを用いた新しい不安検出法と文脈に基づく特徴について検討する。
提案手法は,単一生理的信号の特徴と実験的な文脈に基づく特徴を組み合わせることで,不安検出モデルの性能を向上させる。
本研究のための実験データは,tsst(trier social stress test)プロトコルにおける平均年齢73.36+-5.25の60~80歳帯の健常高齢者41名(女性26名,男性15名)を対象とした1年間の実験から得られた。
不安レベル基底の真理は、意識的不安を測定するための金の基準とされる国家不安指数(STAI)から得られた。
EDAと血液量パルス(BVP)の信号はそれぞれ手首のEDAとPSGセンサーを用いて記録された。
47の特徴をeda信号とbvp信号から算出し,その分析結果から24個の特徴が有意な相関関係を示した。
実験のフェーズは、文脈特徴ベクトルを生成するためにユニークな整数として符号化される。
単一センサとコンテキスト特徴ベクトルからの特徴の組み合わせは、不安状態と不安でない状態の区別のために機械学習モデルをトレーニングするために使用される。
結果と分析の結果、文脈特徴と生理的特徴を組み合わせたEDAとBVPの機械学習モデルは、生理的特徴のみを使用したモデルよりもそれぞれ3.37%と6.41%高い精度を示した。
さらに,EDAおよびBVP信号のエンドツーエンド処理をリアルタイムな不安レベル検出のためにシミュレーションした。
本研究は,低価格家電を用いた高齢者の不安の長期モニタリングを容易にするための不安検出手法の実用性を示す。
関連論文リスト
- Using wearable device-based machine learning models to autonomously
identify older adults with poor cognition [3.3726007446388873]
ウェアラブルデバイスベースの予測モデルは、通常の生活環境下での継続的な健康モニタリングを可能にする。
まず, 概日リズム, 環境光露光, 身体活動レベル, 睡眠, 信号処理に関連する新しいウェアラブルベースの特徴を抽出した。
その結果,3つの認知的結果の予測において,ウェアラブルモデルではAUCが有意に高かった。
論文 参考訳(メタデータ) (2023-08-28T00:07:55Z) - Undersampling and Cumulative Class Re-decision Methods to Improve
Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。
前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。
本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文 参考訳(メタデータ) (2023-02-07T03:14:00Z) - Classification of Stress via Ambulatory ECG and GSR Data [0.0]
本研究は, 自己申告されたストレスアノテーションを用いた実験室で記録された生理的データを用いて, ストレスを検出するためのいくつかのアプローチを実験的に評価する。
最適応力検出法は90.77%の分類精度、91.24 F1-サブミッション、90.42感度、91.08特異性を達成する。
論文 参考訳(メタデータ) (2022-07-19T15:57:14Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳(メタデータ) (2022-06-28T05:09:01Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Using Convolutional Variational Autoencoders to Predict Post-Trauma
Health Outcomes from Actigraphy Data [4.668948267866486]
うつ病と外傷後ストレス障害(PTSD)は、外傷性事象に関連する精神疾患である。
本研究は,調査用スマートウォッチを装着した1113名の被験者を対象に,ロコモター活動を用いた。
畳み込み変分オートエンコーダ(VAE)アーキテクチャは、アクティグラフィーデータから教師なしの特徴抽出に用いられた。
論文 参考訳(メタデータ) (2020-11-14T22:48:12Z) - 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) - 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) - 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。