論文の概要: Real-Time Monitoring of User Stress, Heart Rate and Heart Rate Variability on Mobile Devices

• arxiv url: http://arxiv.org/abs/2210.01791v1
• Date: Tue, 4 Oct 2022 17:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 13:50:37.051831
• Title: Real-Time Monitoring of User Stress, Heart Rate and Heart Rate Variability on Mobile Devices
• Title（参考訳）: モバイルデバイスにおけるユーザのストレス・心拍・心拍変動のリアルタイムモニタリング
• Authors: Peyman Bateni, Leonid Sigal
• Abstract要約: Beam AI SDKは、自撮りカメラを通じてリアルタイムでユーザーのストレスを監視することができる。 本技術は,UBFCデータセット,MMSE-HRデータセット,ビームAIの内部データに基づいて評価する。
• 参考スコア（独自算出の注目度）: 36.16114600037677
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stress is considered to be the epidemic of the 21st-century. Yet, mobile apps cannot directly evaluate the impact of their content and services on user stress. We introduce the Beam AI SDK to address this issue. Using our SDK, apps can monitor user stress through the selfie camera in real-time. Our technology extracts the user's pulse wave by analyzing subtle color variations across the skin regions of the user's face. The user's pulse wave is then used to determine stress (according to the Baevsky Stress Index), heart rate, and heart rate variability. We evaluate our technology on the UBFC dataset, the MMSE-HR dataset, and Beam AI's internal data. Our technology achieves 99.2%, 97.8% and 98.5% accuracy for heart rate estimation on each benchmark respectively, a nearly twice lower error rate than competing methods. We further demonstrate an average Pearson correlation of 0.801 in determining stress and heart rate variability, thus producing commercially useful readings to derive content decisions in apps. Our SDK is available for use at www.beamhealth.ai.
• Abstract（参考訳）: ストレスは21世紀の流行だと考えられている。 しかし、モバイルアプリはユーザーのストレスに対するコンテンツやサービスの影響を直接評価することはできない。 この問題に対処するために、Beam AI SDKを導入します。 弊社のSDKを使えば、自撮りカメラでユーザのストレスをリアルタイムでモニタできる。 本技術は,ユーザの顔の皮膚領域の微妙な色変化を分析し,ユーザの脈波を抽出する。 ユーザの脈波は、ストレス(ベーフスキーのストレス指数による)、心拍数、心拍変動を決定するために使用される。 本技術は,UBFCデータセット,MMSE-HRデータセット,ビームAIの内部データに基づいて評価する。 本技術は,各ベンチマークでそれぞれ99.2%,97.8%,98.5%の精度で心拍数推定を行う。 さらに, ストレスと心拍変動の判定において平均0.801のピアソン相関を示し, アプリケーション内のコンテンツ決定を導出するために, 商業的に有用な読み出しを生成する。 私たちのsdkはwww.beamhealth.aiで利用可能です。

関連論文リスト

• UbiHR: Resource-efficient Long-range Heart Rate Sensing on Ubiquitous Devices [9.971578670060564]
  ユビキタスデバイスを用いた心拍センサシステムUbiHRを提案する。 UbiHRの鍵は、ノイズ非依存の心拍認識と、コモディティモバイルデバイスでの表示を可能にするリアルタイムの長距離時間モデルである。
  論文  参考訳（メタデータ） (2024-10-25T03:28:19Z)
• What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
  本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。 本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:47:26Z)
• Heart rate estimation in intense exercise videos [12.117553807794383]
  既存の作業は、顔追跡によってある程度の動作で心拍数を確実に測定することができる。 IntensePhysioは、ビデオ心拍数推定データセットである。 本手法では,既存の遠隔胸腔鏡撮影法では心拍数推定が困難であることが示唆された。
  論文  参考訳（メタデータ） (2022-08-04T07:42:40Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
  パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。 この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。 我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
  論文  参考訳（メタデータ） (2021-07-16T15:59:07Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• Heart Rate Estimation from Face Videos for Student Assessment: Experiments on edBB [24.666654058140836]
  本研究は、リモート光胸腺撮影技術を用いて心拍数推定を行うためのRGBおよび近赤外ビデオシーケンスに焦点を当てた。 実験には、25人の異なる学生による行動的および生理的データが含まれており、eラーニングに関連するタスクの収集が完了している。 提案した顔の心拍数推定手法は,スマートウォッチが提供する心拍数と比較し,将来のeラーニングアプリケーションへの展開について非常に有望な結果を得た。
  論文  参考訳（メタデータ） (2020-06-01T10:04:36Z)
• MOMBAT: Heart Rate Monitoring from Face Video using Pulse Modeling and Bayesian Tracking [10.43230025523549]
  顔画像に基づく新しい人事監視手法MOMBATを提案する。 平面外の顔の動きを利用して、新しい品質推定機構を定義する。 ベイズ決定理論に基づくHR追跡機構を設計し、突発的なHR推定を補正する。
  論文  参考訳（メタデータ） (2020-05-10T09:41:16Z)
• Optimised Convolutional Neural Networks for Heart Rate Estimation and Human Activity Recognition in Wrist Worn Sensing Applications [3.8137985834223507]
  低サンプリングレートで心拍数と人的活動認識を同時に行う。 これにより、ハードウェア設計が簡単になり、コストと電力予算が削減される。 深層学習パイプラインを2つ適用し,1つは人間の活動認識用であり,1つは心拍数推定用である。
  論文  参考訳（メタデータ） (2020-03-30T11:44:58Z)
• Pedestrian orientation dynamics from high-fidelity measurements [65.06084067891364]
  本研究では,歩行者の運動の一般的な物理的特性に基づいて学習するディープ・ニューラル・アーキテクチャに基づく新しい計測手法を提案する。 提案手法は, 誤差を7.5度まで低減し, 向きを推定できることを示す。 このツールは、方向が鍵となる人間の群集力学の研究において、新たな可能性を開く。
  論文  参考訳（メタデータ） (2020-01-14T07:08:31Z)

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。