Fugu-MT 論文翻訳(概要): SFF-DA: Sptialtemporal Feature Fusion for Detecting Anxiety Nonintrusively

論文の概要: SFF-DA: Sptialtemporal Feature Fusion for Detecting Anxiety Nonintrusively

arxiv url: http://arxiv.org/abs/2208.06411v1
Date: Fri, 12 Aug 2022 01:20:51 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 14:32:15.319461
Title: SFF-DA: Sptialtemporal Feature Fusion for Detecting Anxiety Nonintrusively
Title（参考訳）: SFF-DA:非侵襲的不安検出のための時空間的特徴フュージョン
Authors: Haimiao Mo, Yuchen Li, Shanlin Yang, Wei Zhang, Shuai Ding
Abstract要約: 本稿では,「3CNND+LSTM」と顔行動と非接触生理の相似性の特徴を融合したフレームワークを提案する。我々のフレームワークは実世界のデータセットと2つの公開データセットで検証された。
参考スコア（独自算出の注目度）: 16.170315080992182
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Early detection of anxiety disorders is essential to reduce the suffering of people with mental disorders and to improve treatment outcomes. Anxiety screening based on the mHealth platform is of particular practical value in improving screening efficiency and reducing screening costs. In practice, differences in mobile devices in subjects' physical and mental evaluations and the problems faced with uneven data quality and small sample sizes of data in the real world have made existing methods ineffective. Therefore, we propose a framework based on spatiotemporal feature fusion for detecting anxiety nonintrusively. To reduce the impact of uneven data quality, we constructed a feature extraction network based on "3DCNN+LSTM" and fused spatiotemporal features of facial behavior and noncontact physiology. Moreover, we designed a similarity assessment strategy to solve the problem that the small sample size of data leads to a decline in model accuracy. Our framework was validated with our crew dataset from the real world and two public datasets, UBFC-PHYS and SWELL-KW. The experimental results show that the overall performance of our framework was better than that of the state-of-the-art comparison methods.
Abstract（参考訳）: 不安障害の早期発見は、精神障害者の苦痛を軽減し、治療結果を改善するために不可欠である。 mHealthプラットフォームに基づく不安スクリーニングは、スクリーニング効率の向上とスクリーニングコストの削減に特に有用である。実際に、被験者の身体的・精神的評価におけるモバイルデバイスの違いと、実世界のデータ品質やサンプルサイズの小さな不均一な問題により、既存の手法は効果が無くなっている。そこで本研究では,時空間的特徴融合に基づく不安検出のための枠組みを提案する。 3dcnn+lstm」に基づく特徴抽出ネットワークを構築し,顔の行動と非接触生理学の時空間的特徴を融合させた。さらに,データのサンプルサイズが小さいことでモデル精度が低下するという問題を解決するため,類似度評価戦略を考案した。我々のフレームワークは、実世界の乗組員データセットとUBFC-PHYSとSWELL-KWの2つの公開データセットで検証された。実験の結果,我々のフレームワークの全体的な性能は最先端の比較手法よりも優れていた。

関連論文リスト

Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
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)
Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文参考訳（メタデータ） (2023-10-25T19:02:57Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
A Multimodal Data-driven Framework for Anxiety Screening [15.002401707506941]
我々は,MMD-ASというデータ駆動型不安スクリーニングフレームワークを提案し,スマートフォンによる200人以上の船員の健康データ収集実験を行った。モデルの性能向上のために,提案フレームワークの特徴抽出,次元縮小,特徴選択,不安推定を共同で訓練した。
論文参考訳（メタデータ） (2023-03-16T02:25:05Z)
SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文参考訳（メタデータ） (2021-10-26T20:13:17Z)
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)
FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。患者のプライバシー上の懸念から、データそのものはまだ乏しい。我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文参考訳（メタデータ） (2021-02-10T01:56:58Z)
FIT: a Fast and Accurate Framework for Solving Medical Inquiring and Diagnosing Tasks [10.687562550605739]
自己診断(Self-diagnosis)は、患者をクエリーし、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。我々は、次に収集するデータを決定するために情報理論の報酬を使用するFITと呼ばれる競合フレームワークを提案する。シミュレーションした2つのデータセットから、FITは大規模な検索空間問題に効果的に対処でき、既存の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） (2020-12-02T10:12:49Z)
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)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。