論文の概要: Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data

• arxiv url: http://arxiv.org/abs/2110.09868v1
• Date: Tue, 19 Oct 2021 11:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 13:14:17.052663
• Title: Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data
• Title（参考訳）: 在宅モニタリングデータを用いた認知症者の神経精神症状同定のための臨床応用深部再発モデルの設計
• Authors: Francesca Palermo, Honglin Li, Alexander Capstick, Nan Fletcher-Lloyd, Yuchen Zhao, Samaneh Kouchaki, Ramin Nilforooshan, David Sharp, Payam Barnaghi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.40058724040671
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Agitation is one of the neuropsychiatric symptoms with high prevalence in dementia which can negatively impact the Activities of Daily Living (ADL) and the independence of individuals. Detecting agitation episodes can assist in providing People Living with Dementia (PLWD) with early and timely interventions. Analysing agitation episodes will also help identify modifiable factors such as ambient temperature and sleep as possible components causing agitation in an individual. This preliminary study presents a supervised learning model to analyse the risk of agitation in PLWD using in-home monitoring data. The in-home monitoring data includes motion sensors, physiological measurements, and the use of kitchen appliances from 46 homes of PLWD between April 2019-June 2021. We apply a recurrent deep learning model to identify agitation episodes validated and recorded by a clinical monitoring team. We present the experiments to assess the efficacy of the proposed model. The proposed model achieves an average of 79.78% recall, 27.66% precision and 37.64% F1 scores when employing the optimal parameters, suggesting a good ability to recognise agitation events. We also discuss using machine learning models for analysing the behavioural patterns using continuous monitoring data and explore clinical applicability and the choices between sensitivity and specificity in-home monitoring applications.
• Abstract（参考訳）: 鎮静は認知症に高い有病率を持つ神経精神医学症状の1つであり、日常生活活動(ADL)や個人の自立に悪影響を及ぼす可能性がある。 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。 興奮のエピソードを分析することで、周囲の温度や睡眠などの調節可能な要因を、個人の動揺を引き起こすコンポーネントとして特定することができる。 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。 家庭内モニタリングデータには、モーションセンサー、生理計測、2019年4月から2021年6月までの46戸のPLWDのキッチン機器の使用が含まれている。 臨床モニタリングチームにより検証・記録された扇動エピソードの同定に,繰り返しディープラーニングモデルを適用した。 本研究は,提案モデルの有効性を評価する実験である。 提案モデルでは,最適パラメータを用いた場合,平均79.78%のリコール,27.66%の精度,37.64%のF1スコアを達成し,扇動現象の認識能力の向上が示唆された。 また、継続的モニタリングデータを用いた行動パターンの分析に機械学習モデルを用いることで、臨床応用可能性と、在宅モニタリングアプリケーションにおける感度と特異性の選択について検討する。

関連論文リスト

• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Integrating Wearable Sensor Data and Self-reported Diaries for Personalized Affect Forecasting [2.36325543943271]
  本研究では,影響状況予測のためのマルチモーダル深層学習モデルを提案する。 このモデルは、トランスフォーマーエンコーダと事前訓練された言語モデルを組み合わせることで、客観的なメトリクスと自己報告された日記の統合分析を容易にする。 その結果, 予測精度82.50%, 負の影響82.76%, 前週の予測精度82.76%が得られた。
  論文  参考訳（メタデータ） (2024-03-16T17:24:38Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• An AIoT-enabled Autonomous Dementia Monitoring System [4.216258586104556]
  本システムは, センサデータの活動推定に基づく2つの機能を実装し, リアルタイムな異常活動監視と, 疾患関連活動の傾向予測を行う。 活動推定と異常な活動検出のために設計された2つのRF分類器の精度は、それぞれ99%と94%以上である。
  論文  参考訳（メタデータ） (2022-07-02T11:36:16Z)
• 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)
• Tracking agitation in people living with dementia in a care environment [2.8935683517021773]
  鎮静は、認知症(PwD)に罹患する人々の苦痛を伝える症状である。 ケアスタッフは、これらの症状を、居住状況の変化を検知し、リスクを評価し、介入に対する反応を監視する方法として追跡し、記録する。 このドキュメンテーションは時間がかかり、スタッフの制約のため、動揺のエピソードは観察できない可能性がある。 本論文では、マルチモーダルウェアラブルデバイスが20$ PwDで装着された認知症ユニットで実施された2年間の実世界調査の結果について述べる。
  論文  参考訳（メタデータ） (2021-04-15T06:21:29Z)
• An attention model to analyse the risk of agitation and urinary tract infections in people with dementia [0.3392372796177108]
  行動症状と尿路感染症(uti)は認知症患者が直面する最も一般的な問題である。 センサーデータの統合と分析に家庭内センシング技術と機械学習モデルを使用することで、臨床的に重要な出来事や健康状態の変化を検出し予測する機会が得られる。 我々は,家庭内センサデータを収集する統合プラットフォームを開発し,機械学習モデルを扇動およびUTIリスク分析に適用するための観察的研究を行った。
  論文  参考訳（メタデータ） (2021-01-18T11:15:15Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• 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。