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
- Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。
我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。
この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
論文 参考訳(メタデータ) (2023-11-07T00:36:51Z) - 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 Causal Inference Framework for Leveraging External Controls in Hybrid
Trials [1.7942265700058988]
ランダム化トライアルのデータを外部ソースの制御データで拡張した環境での因果推論に関わる課題を考察する。
提案手法は, 推定器, 評価効率境界, および効率的な2次ロバスト推定のためのアプローチである。
筋萎縮性筋萎縮症の運動機能に対するrisdisplamの効果について検討した。
論文 参考訳(メタデータ) (2023-05-15T19:15:32Z) - 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。