論文の概要: Distinguishing Engagement Facets: An Essential Component for AI-based Healthcare

• arxiv url: http://arxiv.org/abs/2111.11138v1
• Date: Mon, 22 Nov 2021 11:58:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 17:21:39.241517
• Title: Distinguishing Engagement Facets: An Essential Component for AI-based Healthcare
• Title（参考訳）: エンゲージメントファセットの識別:aiベースの医療に不可欠なコンポーネント
• Authors: Hanan Salam
• Abstract要約: 様々なAIベースの医療パラダイムにおける患者のエンゲージメント状態を監視することが不可欠である。 これには、自閉症スペクトラム障害(ASD)や注意欠陥・多動性障害(ADHD)などの社会的行動を変える医学的条件が含まれる。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engagement in Human-Machine Interaction is the process by which entities participating in the interaction establish, maintain, and end their perceived connection. It is essential to monitor the engagement state of patients in various AI-based healthcare paradigms. This includes medical conditions that alter social behavior such as Autism Spectrum Disorder (ASD) or Attention-Deficit/Hyperactivity Disorder (ADHD). Engagement is a multifaceted construct which is composed of behavioral, emotional, and mental components. Previous research has neglected the multi-faceted nature of engagement. In this paper, a system is presented to distinguish these facets using contextual and relational features. This can facilitate further fine-grained analysis. Several machine learning classifiers including traditional and deep learning models are compared for this task. A highest accuracy of 74.57% with an F-Score and mean absolute error of 0.74 and 0.23 respectively was obtained on a balanced dataset of 22242 instances with neural network-based classification.
• Abstract（参考訳）: ヒューマン・マシン・インタラクション(human-machine interaction)は、インタラクションに参加しているエンティティが認識されたコネクションを確立し、維持し、終わらせるプロセスである。 様々なAIベースの医療パラダイムにおける患者のエンゲージメント状態を監視することが不可欠である。 これには、自閉症スペクトラム障害(ASD)や注意欠陥・多動性障害(ADHD)などの社会的行動を変える医療条件が含まれる。 エンゲージメント(Engagement)は、行動、感情、精神的要素からなる多面構造である。 これまでの研究は、多面的なエンゲージメントを無視してきた。 本稿では,これらの特徴を文脈的特徴と関係性を用いて識別するシステムを提案する。 これによりさらにきめ細かい分析が可能になる。 従来型および深層学習モデルを含むいくつかの機械学習分類器を比較した。 f-score と平均絶対誤差 0.74 と 0.23 を持つ 74.57% の最高精度が、ニューラルネットワークに基づく2,242インスタンスのバランス付きデータセットで得られた。

関連論文リスト

• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• MedNgage: A Dataset for Understanding Engagement in Patient-Nurse Conversations [4.847266237348932]
  症状を効果的に管理する患者は、医療従事者との会話や介入において、より高いレベルのエンゲージメントを示すことが多い。 AIシステムは、患者と実践者との自然な会話におけるエンゲージメントを理解して、患者のケアにもっと貢献することが不可欠である。 本稿では,がん症状管理に関する患者と看護者の会話をまとめた新しいデータセット(MedNgage)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T16:06:07Z)
• iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD) [15.675307032144064]
  この研究は、ADHD200データセット上のニューラルネットワークやSVMモデルのような機械学習技術を組み合わせてADHDを診断する方法を探究する。 本研究では,SVMモデルを用いた表現型データに対してマルチクラス分類を行う。ロジスティック回帰,KNN,AdaBoostなどの他の教師あり学習手法と比較して,表現型データに対して良好な結果が得られた。
  論文  参考訳（メタデータ） (2023-02-01T09:29:20Z)
• A Federated Learning Scheme for Neuro-developmental Disorders: Multi-Aspect ASD Detection [2.7221938979891385]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、出生前の胚脳の変化に起因する神経発達障害である。 本研究では,個人の行動や顔の特徴に基づいて,ある個人におけるASDを予測するための,プライバシ保護型フェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-31T13:56:36Z)
• Bodily Behaviors in Social Interaction: Novel Annotations and State-of-the-Art Evaluation [0.0]
  本稿では,社会相互作用に埋め込まれた複雑な身体行動の最初のアノテーションであるBBSIについて述べる。 心理学における過去の研究に基づいて,26時間の自発的な行動について手動で注釈を付けた。 我々は、人間の行動検出のための最先端のアプローチであるピラミッド拡張注意ネットワーク(PDAN)を適応する。
  論文  参考訳（メタデータ） (2022-07-26T11:24:00Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• The world seems different in a social context: a neural network analysis of human experimental data [57.729312306803955]
  本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。 トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
  論文  参考訳（メタデータ） (2022-03-03T17:19:12Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• An Ambient Intelligence-Based Human Behavior Monitoring Framework for Ubiquitous Environments [0.0]
  本枠組みは,日常生活活動中の人間の行動の調査,追跡,監視,分析を行うための総合的なアプローチをめざす。 ADL中の多様なコンテキストパラメータのユーザインタラクションのセマンティック分析を実行し、異なる複雑なアクティビティに関連する異なる行動パターンのリストを識別する。 第二に、これらの行動パターンと環境の動的文脈的・空間的特徴との関係を解析できるインテリジェントな意思決定アルゴリズムで構成されている。
  論文  参考訳（メタデータ） (2021-06-29T17:50:54Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。