論文の概要: An Improved Subject-Independent Stress Detection Model Applied to Consumer-grade Wearable Devices

• arxiv url: http://arxiv.org/abs/2203.09663v1
• Date: Fri, 18 Mar 2022 00:19:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 05:16:16.989098
• Title: An Improved Subject-Independent Stress Detection Model Applied to Consumer-grade Wearable Devices
• Title（参考訳）: 消費者グレードウェアラブルデバイスに応用した主観非依存応力検出モデルの改良
• Authors: Van-Tu Ninh and Manh-Duy Nguyen and Sin\'ead Smyth and Minh-Triet Tran and Graham Healy and Binh T. Nguyen and Cathal Gurrin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.714433991463217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stress is a complex issue with wide-ranging physical and psychological impacts on human daily performance. Specifically, acute stress detection is becoming a valuable application in contextual human understanding. Two common approaches to training a stress detection model are subject-dependent and subject-independent training methods. Although subject-dependent training methods have proven to be the most accurate approach to build stress detection models, subject-independent models are a more practical and cost-efficient method, as they allow for the deployment of stress level detection and management systems in consumer-grade wearable devices without requiring training data for the end-user. To improve the performance of subject-independent stress detection models, in this paper, we introduce a stress-related bio-signal processing pipeline with a simple neural network architecture using statistical features extracted from multimodal contextual sensing sources including Electrodermal Activity (EDA), Blood Volume Pulse (BVP), and Skin Temperature (ST) captured from a consumer-grade wearable device. Using our proposed model architecture, we compare the accuracy between stress detection models that use measures from each individual signal source, and one model employing the fusion of multiple sensor sources. Extensive experiments on the publicly available WESAD dataset demonstrate that our proposed model outperforms conventional methods as well as providing 1.63% higher mean accuracy score compared to the state-of-the-art model while maintaining a low standard deviation. Our experiments also show that combining features from multiple sources produce more accurate predictions than using only one sensor source individually.
• Abstract（参考訳）: ストレスは、身体的および心理的な影響が人間の日常のパフォーマンスに広範囲に及ぼす複雑な問題である。 特に、急性ストレス検出は文脈理解において重要な応用となっている。 ストレス検出モデルのトレーニングには2つの一般的なアプローチがある。 個人依存型トレーニング手法は, ストレス検出モデル構築の最も正確な手法であることが証明されているが, 個人依存型モデルの方が実用的でコスト効率のよい手法であり, エンドユーザのトレーニングデータを必要とせずに, コンシューマグレードのウェアラブルデバイスにストレスレベル検出・管理システムを展開できる。 本稿では,負荷非依存型ストレス検出モデルの性能向上を目的として,電気活動(EDA),血液容積パルス(BVP),皮膚温度(ST)といったマルチモーダルなコンテキストセンシング源から抽出した統計的特徴を用いた,シンプルな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提案する。 提案するモデルアーキテクチャを用いて,各信号源からの計測値を用いた応力検出モデルと,複数のセンサ源の融合を用いた1つのモデルを比較した。 WESADデータセットの大規模な実験により,提案モデルは従来の手法よりも優れており,標準偏差を低く保ちながら,最先端モデルと比較して1.63%高い平均精度のスコアが得られた。 また,複数のセンサからの機能を組み合わせることで,個別に1つのセンサソースを使用するよりも正確な予測ができることを示した。

関連論文リスト

• An Adaptive System for Wearable Devices to Detect Stress Using Physiological Signals [6.025332045004531]
  本稿では PPG と EDA 信号を用いたパーソナライズされたストレス検出のための適応フレームワークを提案する。 一般化されたモデルに依存する従来の手法とは異なり、このフレームワークは各ユーザにより高いストレス検出精度のパーソナライズされたモデルを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-07-21T19:52:44Z)
• Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
  我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。 ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。 これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
  論文  参考訳（メタデータ） (2023-11-28T16:46:14Z)
• Stabilizing Subject Transfer in EEG Classification with Divergence Estimation [17.924276728038304]
  脳波分類タスクを記述するためのグラフィカルモデルをいくつか提案する。 理想的な訓練シナリオにおいて真であるべき統計的関係を同定する。 我々は、これらの関係を2段階で強制する正規化罰則を設計する。
  論文  参考訳（メタデータ） (2023-10-12T23:06:52Z)
• Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
  ストレスは様々な健康問題への主要な貢献者として広く認められている。 リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。 しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
  論文  参考訳（メタデータ） (2023-08-04T22:26:33Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Analysing the Performance of Stress Detection Models on Consumer-Grade Wearable Devices [9.580380455705397]
  ストレスレベルは、メンタルヘルス分析のための貴重なデータと、アノテーションシステムのためのラベルを提供することができる。 低分解能エレクトロミカルアクティビティ(EDA)信号を用いてストレスパターンを識別する可能性についての研究は乏しい。
  論文  参考訳（メタデータ） (2022-03-18T00:36:27Z)
• Stress Classification and Personalization: Getting the most out of the least [18.528929583956725]
  本稿では,新しい畳み込みニューラルネットワーク(CNN)を用いたストレス検出・分類フレームワークを提案する。 我々の手法は競争力があり、現在の最先端技術よりも優れています。
  論文  参考訳（メタデータ） (2021-07-12T18:14:10Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。