論文の概要: Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients

• arxiv url: http://arxiv.org/abs/2106.11487v1
• Date: Tue, 22 Jun 2021 02:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 14:50:47.677809
• Title: Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients
• Title（参考訳）: 統合失調症患者における移動センサデータのルーチンクラスタリングによる心理的再発予測
• Authors: Joanne Zhou, Bishal Lamichhane, Dror Ben-Zeev, Andrew Campbell, Akane Sano
• Abstract要約: 本研究では,連続的マルチモーダル移動センシングデータからリラプス予測タスクへの行動表現を得るために,クラスタリングモデルを開発することを目的とする。 特定されたクラスターは、患者の日常生活に関連する行動傾向と、差し迫った再発に関連する非定型的行動傾向を表わすことができる。
• 参考スコア（独自算出の注目度）: 2.7423978784152743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We aim to develop clustering models to obtain behavioral representations from continuous multimodal mobile sensing data towards relapse prediction tasks. The identified clusters could represent different routine behavioral trends related to daily living of patients as well as atypical behavioral trends associated with impending relapse. We used the mobile sensing data obtained in the CrossCheck project for our analysis. Continuous data from six different mobile sensing-based modalities (e.g. ambient light, sound/conversation, acceleration etc.) obtained from a total of 63 schizophrenia patients, each monitored for up to a year, were used for the clustering models and relapse prediction evaluation. Two clustering models, Gaussian Mixture Model (GMM) and Partition Around Medoids (PAM), were used to obtain behavioral representations from the mobile sensing data. The features obtained from the clustering models were used to train and evaluate a personalized relapse prediction model using Balanced Random Forest. The personalization was done by identifying optimal features for a given patient based on a personalization subset consisting of other patients who are of similar age. The clusters identified using the GMM and PAM models were found to represent different behavioral patterns (such as clusters representing sedentary days, active but with low communications days, etc.). Significant changes near the relapse periods were seen in the obtained behavioral representation features from the clustering models. The clustering model based features, together with other features characterizing the mobile sensing data, resulted in an F2 score of 0.24 for the relapse prediction task in a leave-one-patient-out evaluation setting. This obtained F2 score is significantly higher than a random classification baseline with an average F2 score of 0.042.
• Abstract（参考訳）: 我々は,連続マルチモーダルモバイルセンシングデータから再帰予測タスクへの行動表現を得るクラスタリングモデルの開発を目指している。 特定されたクラスターは、患者の日常生活に関連する行動傾向と、差し迫った再発に関連する非定型行動傾向を表わすことができる。 我々はCrossCheckプロジェクトで得られたモバイルセンシングデータを分析に利用した。 6種類の移動体センシングに基づく連続データ(例) 周囲の光、音/会話、加速など 合計63名の統合失調症患者から得られた各患者を1年間監視し,クラスタリングモデルと再発予測評価を行った。 2つのクラスタリングモデル、Gaussian Mixture Model (GMM) とPartition Around Medoids (PAM) を用いて、モバイルセンシングデータから行動表現を得た。 クラスタリングモデルから得られた特徴は、バランスドランダムフォレストを用いたパーソナライズされたリラプス予測モデルのトレーニングと評価に使用された。 同一年齢の他の患者によるパーソナライズサブセットに基づいて, ある患者に対して最適な特徴を特定することで, パーソナライズを行った。 gmmモデルとpamモデルを用いて同定されたクラスターは,異なる行動パターンを示すことが判明した(sedentary days,active but with low communications daysなど)。 クラスタリングモデルから得られた行動表現の特徴は, 反復周期付近で有意な変化が見られた。 クラスタリングモデルに基づく特徴は, モバイルセンシングデータを特徴付ける他の特徴と合わせて, 退院1患者評価設定において, 再発予測タスクのf2スコアを0.24とした。 得られたf2スコアは、平均f2スコア0.042のランダム分類ベースラインよりも著しく高い。

関連論文リスト

• Comparative study of clustering models for multivariate time series from connected medical devices [0.0]
  予測モデルを用いて、潜在クラスタ空間を形成しながら、将来の値を予測できることが示される。 Withingのデータセット上で、時系列全体をクラスタリングするMAGMAC LUSTと、個人のグループアフィリエイトが時間とともに変化するDGM$2$の2つのモデルを比較する。
  論文  参考訳（メタデータ） (2023-12-28T07:37:30Z)
• VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
  条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。 我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。 本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:55:31Z)
• Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile Sensing-based Supervised Deep Learning Model [1.4922888318989764]
  モバイルセンシングに基づく行動変化のモデリングは、統合失調症患者の時間的介入に対する精神遅滞を予測できる。 深層学習モデルは、予測に関連する潜在行動の特徴をモデル化することによって、再学習予測のための既存の非深層学習モデルを補完することができる。 本稿では,リラプス予測のためのニューラルネットワークモデルであるRelapsePredNetを提案する。
  論文  参考訳（メタデータ） (2022-05-24T17:34:19Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Patient-independent Schizophrenia Relapse Prediction Using Mobile Sensor based Daily Behavioral Rhythm Changes [8.086775225009996]
  モバイルセンシングデータを用いた機械学習に基づく統合失調症再発予測モデルについて検討した。 このモデルは、この4週間のモバイルセンシングデータを使って、来週の再発を予測している。 その結果,63名の統合失調症患者のデータセットを用いて,F2スコアが0.083であった。
  論文  参考訳（メタデータ） (2021-06-25T21:42:28Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。