論文の概要: Modality Fusion Network and Personalized Attention in Momentary Stress
Detection in the Wild
- arxiv url: http://arxiv.org/abs/2107.09510v1
- Date: Mon, 19 Jul 2021 07:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 14:47:37.031004
- Title: Modality Fusion Network and Personalized Attention in Momentary Stress
Detection in the Wild
- Title（参考訳）: 野生の瞬間的ストレス検出におけるモダリティ融合ネットワークとパーソナライズされた注意
- Authors: Han Yu, Thomas Vaessen, Inez Myin-Germeys, Akane Sano
- Abstract要約: そこで本研究では,MFN(Modality fusion Network)を提案する。
我々は、ガルバニック皮膚反応(GSR)と心電図(ECG)を含むマルチモーダルウェアラブルセンサデータセット(N=41)について、本手法の評価を行った。
- 参考スコア（独自算出の注目度）: 9.806366630487798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal wearable physiological data in daily life settings have been used
to estimate self-reported stress labels.However, missing data modalities in
data collection make it challenging to leverage all the collected samples.
Besides, heterogeneous sensor data and labels among individuals add challenges
in building robust stress detection models. In this paper, we proposed a
modality fusion network (MFN) to train models and infer self-reported binary
stress labels under both complete and incomplete modality condition. In
addition, we applied a personalized attention (PA) strategy to leverage
personalized representation along with the generalized one-size-fits-all model.
We evaluated our methods on a multimodal wearable sensor dataset (N=41)
including galvanic skin response (GSR) and electrocardiogram (ECG). Compared to
the baseline method using the samples with complete modalities, the performance
of the MFN improved by 1.6\% in f1-scores. On the other hand, the proposed PA
strategy showed a 2.3\% higher stress detection f1-score and approximately up
to 70\% reduction in personalized model parameter size (9.1 MB) compared to the
previous state-of-the-art transfer learning strategy (29.3 MB).
- Abstract（参考訳）: 日常生活におけるマルチモーダルウェアラブルの生理的データは,自己報告されたストレスラベルの推定に用いられているが,データ収集におけるデータモダリティの欠如は,収集されたすべてのサンプルを活用するのに困難である。
さらに、個人間の異種センサデータやラベルは、堅牢なストレス検出モデルを構築する上での課題をもたらす。
本稿では,MFN(Modality fusion Network)を提案し,完全・不完全両条件下でモデルと自己申告二元応力ラベルを推定する。
さらに、パーソナライズされた注目(PA)戦略を適用し、パーソナライズされた表現と一般化されたワンサイズフィットオールモデルを適用した。
本手法を,GSR (Galvanic skin response) と心電図 (ECG) を含むマルチモーダルウェアラブルセンサデータセット (N=41) を用いて評価した。
完全モダリティのサンプルを用いたベースライン法と比較して,f1スコアにおいてMFNの性能は1.6\%向上した。
一方,2.3\%のストレス検出f1スコア,最大70\%のパーソナライズされたモデルパラメータサイズ (9.1 MB) が,従来の技術移転学習戦略 (29.3 MB) と比較された。
関連論文リスト
- Debiasing Cardiac Imaging with Controlled Latent Diffusion Models [1.802269171647208]
本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。
我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。
本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
論文 参考訳（メタデータ） (2024-03-28T15:41:43Z) - Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。
本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文 参考訳（メタデータ） (2023-11-22T03:45:30Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳（メタデータ） (2023-10-25T17:59:12Z) - Topologically Regularized Multiple Instance Learning to Harness Data
Scarcity [15.06687736543614]
複数のインスタンス学習モデルは、患者の顕微鏡サンプルを分類するための強力なツールとして登場した。
我々は、この課題を緩和するために、MILにトポロジカル正規化用語を導入します。
MILベンチマークは平均2.8%、合成MILデータセットは15.3%、現実世界のバイオメディカルデータセットは5.5%である。
論文 参考訳（メタデータ） (2023-07-26T08:14:18Z) - Beyond Individual Input for Deep Anomaly Detection on Tabular Data [0.0]
異常検出は、金融、医療、サイバーセキュリティなど、多くの領域において不可欠である。
私たちの知る限りでは、この機能機能とサンプルサンプル依存関係をうまく組み合わせる最初の作業です。
提案手法は,F1スコアとAUROCをそれぞれ2.4%,AUROCを1.2%上回り,最先端性能を実現している。
論文 参考訳（メタデータ） (2023-05-24T13:13:26Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - An Improved Subject-Independent Stress Detection Model Applied to
Consumer-grade Wearable Devices [7.714433991463217]
ストレス検出モデルを訓練する2つの一般的なアプローチは、主観的および主観的非依存的な訓練方法である。
本稿では,ニューラルネットワークアーキテクチャを用いたストレス関連バイオ信号処理パイプラインを導入し,対象非依存モデルの性能向上を図る。
提案モデルでは,従来の手法よりも1.63%高い平均精度のスコアが得られた。
論文 参考訳（メタデータ） (2022-03-18T00:19:42Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - 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) - Anonymization of labeled TOF-MRA images for brain vessel segmentation
using generative adversarial networks [0.9854633436173144]
GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。
画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。
各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
論文 参考訳（メタデータ） (2020-09-09T11:30:58Z)
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。