論文の概要: CovidRhythm: A Deep Learning Model for Passive Prediction of Covid-19
using Biobehavioral Rhythms Derived from Wearable Physiological Data
- arxiv url: http://arxiv.org/abs/2301.10168v1
- Date: Thu, 12 Jan 2023 21:28:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-29 13:31:57.893990
- Title: CovidRhythm: A Deep Learning Model for Passive Prediction of Covid-19
using Biobehavioral Rhythms Derived from Wearable Physiological Data
- Title（参考訳）: CovidRhythm: ウェアラブル生理データから得られたバイオビヘイビアリズムを用いた新型コロナウイルスの受動的予測のためのディープラーニングモデル
- Authors: Atifa Sarwar, Emmanuel O. Agu
- Abstract要約: CovidRhythmは、心拍数と活動データから抽出したセンサーとリズミカルな特徴を組み合わせて、コンシューマグレードのスマートウェアラブルを使用してCovid-19を予測する。
我々の知る限りでは、私たちの研究は、消費者グレードのウェアラブルデータから派生した深層学習と生物行動リズム機能を用いて、Covid-19を初めて検出したものです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To investigate whether a deep learning model can detect Covid-19 from
disruptions in the human body's physiological (heart rate) and rest-activity
rhythms (rhythmic dysregulation) caused by the SARS-CoV-2 virus. We propose
CovidRhythm, a novel Gated Recurrent Unit (GRU) Network with Multi-Head
Self-Attention (MHSA) that combines sensor and rhythmic features extracted from
heart rate and activity (steps) data gathered passively using consumer-grade
smart wearable to predict Covid-19. A total of 39 features were extracted
(standard deviation, mean, min/max/avg length of sedentary and active bouts)
from wearable sensor data. Biobehavioral rhythms were modeled using nine
parameters (mesor, amplitude, acrophase, and intra-daily variability). These
features were then input to CovidRhythm for predicting Covid-19 in the
incubation phase (one day before biological symptoms manifest). A combination
of sensor and biobehavioral rhythm features achieved the highest AUC-ROC of
0.79 [Sensitivity = 0.69, Specificity=0.89, F$_{0.1}$ = 0.76], outperforming
prior approaches in discriminating Covid-positive patients from healthy
controls using 24 hours of historical wearable physiological. Rhythmic features
were the most predictive of Covid-19 infection when utilized either alone or in
conjunction with sensor features. Sensor features predicted healthy subjects
best. Circadian rest-activity rhythms that combine 24h activity and sleep
information were the most disrupted. CovidRhythm demonstrates that
biobehavioral rhythms derived from consumer-grade wearable data can facilitate
timely Covid-19 detection. To the best of our knowledge, our work is the first
to detect Covid-19 using deep learning and biobehavioral rhythms features
derived from consumer-grade wearable data.
- Abstract（参考訳）: 深層学習モデルが、SARS−CoV-2ウイルスによる身体の生理的(心拍数)および安静時リズム(リズム不規則)の破壊からCovid-19を検出できるかどうかを検討する。
コビッドリズム(CovidRhythm)は,MHSA(Multi-Head Self-Attention)を用いたGRU(Gated Recurrent Unit)ネットワークで,心拍数と活動(ステップ)データから抽出したリズミカル特徴を,コンシューマグレードのスマートウェアラブルを用いて受動的に収集し,Covid-19を予測する。
ウェアラブルセンサデータから39種類の特徴(標準偏差,平均,min/max/avg長,sedentaryおよびactive bouts)を抽出した。
生体行動リズムは,9つのパラメータ(メータ,振幅,アクロフェーズ,日内変動)を用いてモデル化した。
これらの特徴は、インキュベーションフェーズ(生物学的症状が現れる1日前)でCovid-19を予測するためにCovidRhythmに入力された。
センサとバイオビヘイビアリズムの組み合わせによるAUC-ROCの最高値は0.79(感度 = 0.69, 特異性=0.89, F$_{0.1}$ = 0.76]であり, 歴史的ウェアラブル生理学の24時間を用いた健康管理からコビッド陽性患者を識別するための先行的アプローチよりも優れていた。
リズムの特徴は、単独またはセンサーの特徴と組み合わせて使用する場合、Covid-19感染の最も予測的であった。
センサーは健康な被験者を最もよく予測する。
24時間の活動と睡眠情報を組み合わせた概日リズムが最も混乱した。
CovidRhythmは、コンシューマグレードのウェアラブルデータに由来する生体行動リズムが、Covid-19のタイムリーな検出を促進することを実証している。
我々の知る限りでは、私たちの研究は、消費者グレードのウェアラブルデータから得られたディープラーニングと生物行動リズム機能を使って、初めてCovid-19を検出する。
関連論文リスト
- Diagnosis of Covid-19 Via Patient Breath Data Using Artificial
Intelligence [0.0]
本研究の目的は、患者の吐き気中の揮発性有機化合物(VOC)を検出することにより、新型コロナウイルスを検出できるPOSCTシステムを開発することである。
2020年12月から2021年3月までにイスタンブール・メディポール・メガ病院で142例の呼吸サンプルを採取した。
Gradient Boosting(グラディエント・ブースティング)アルゴリズムは、新型コロナウイルス陽性患者を予測する場合95%のリコールと、新型コロナウイルス陰性患者を予測する場合の96%の精度を提供する。
論文 参考訳（メタデータ） (2023-01-24T22:00:00Z) - Learning Clinical Concepts for Predicting Risk of Progression to Severe
COVID-19 [17.781861866125023]
大手医療機関のデータを用いて、重度の新型コロナウイルスの進行を予測する生存モデルを開発する。
i) 利用可能なすべての特徴から構築された制約のないモデル,(ii) リスク予測器を訓練する前に少数の臨床概念を学習するパイプラインである。
論文 参考訳（メタデータ） (2022-08-28T02:59:35Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳（メタデータ） (2021-10-19T11:45:01Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - Fitbeat: COVID-19 Estimation based on Wristband Heart Rate [15.550897317833996]
本研究では,新型コロナウイルス感染の疑いのある個人を同定する深層学習手法の可能性について検討した。
参加者はfitbitのリストバンドを使って心拍データを収集した。
論文 参考訳（メタデータ） (2021-04-19T13:08:53Z) - Insight about Detection, Prediction and Weather Impact of Coronavirus
(Covid-19) using Neural Network [0.0]
新型コロナウイルスによる壊滅的なパンデミック(covid-19)で、世界は厳しい状況に直面している
このウイルスの感染者数は日増しに増加しており、すでに6400万人を超えています。
深層ニューラルネットワークを用いて胸部x線から感染者を検出することは、時間と労力の節約のソリューションとして応用できる。
論文 参考訳（メタデータ） (2021-04-05T22:18:57Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound
Image Analysis [7.471424290647929]
われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。
我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
論文 参考訳（メタデータ） (2020-09-13T23:52:03Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。