論文の概要: Can gamification reduce the burden of self-reporting in mHealth applications? Feasibility study using machine learning from smartwatch data to estimate cognitive load

• arxiv url: http://arxiv.org/abs/2302.03616v1
• Date: Tue, 7 Feb 2023 17:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 15:28:44.964374
• Title: Can gamification reduce the burden of self-reporting in mHealth applications? Feasibility study using machine learning from smartwatch data to estimate cognitive load
• Title（参考訳）: ゲーミフィケーションはmHealthアプリケーションにおける自己申告の負担を軽減するか? スマートウォッチデータからの機械学習による認知負荷推定の可能性検討
• Authors: Michal K. Grzeszczyk and Paulina Adamczyk and Sylwia Marek and Ryszard Pr\k{e}cikowski and Maciej Ku\'s and M. Patrycja Lelujko and Rosmary Blanco and Tomasz Trzci\'nski and Arkadiusz Sitek and Maciej Malawski and Aneta Lisowska
• Abstract要約: デジタル治療の有効性は、患者がモバイルアプリケーションを通じて精神的および身体的状態を自己報告することを要求することで測定できる。 この問題に対処するため,本稿では,ゲーミフィケーションが自己報告の認知的負担に与える影響について検討する。 我々のアプローチは、スマートウォッチから得られる光胸腔造影( Photoplethymography)信号の分析を通じて、認知的負担を評価するシステムを作成することである。 各質問に費やされる平均時間はゲーミフィケーション調査で5.5であり、非ゲーミフィケーション版では6秒である。
• 参考スコア（独自算出の注目度）: 7.211090596887478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The effectiveness of digital treatments can be measured by requiring patients to self-report their mental and physical state through mobile applications. However, self-reporting can be overwhelming and may cause patients to disengage from the intervention. In order to address this issue, we conduct a feasibility study to explore the impact of gamification on the cognitive burden of self-reporting. Our approach involves the creation of a system to assess cognitive burden through the analysis of photoplethysmography (PPG) signals obtained from a smartwatch. The system is built by collecting PPG data during both cognitively demanding tasks and periods of rest. The obtained data is utilized to train a machine learning model to detect cognitive load (CL). Subsequently, we create two versions of health surveys: a gamified version and a traditional version. Our aim is to estimate the cognitive load experienced by participants while completing these surveys using their mobile devices. We find that CL detector performance can be enhanced via pre-training on stress detection tasks and requires capturing of a minimum 30 seconds of PPG signal to work adequately. For 10 out of 13 participants, a personalized cognitive load detector can achieve an F1 score above 0.7. We find no difference between the gamified and non-gamified mobile surveys in terms of time spent in the state of high cognitive load but participants prefer the gamified version. The average time spent on each question is 5.5 for gamified survey vs 6 seconds for the non-gamified version.
• Abstract（参考訳）: デジタル治療の有効性は、患者の心身状態の自己報告をモバイルアプリケーションを通じて要求することで測定できる。 しかし、自己報告は圧倒的であり、患者が介入から離脱する可能性がある。 この問題に対処するため,本稿では,ゲーミフィケーションが自己報告の認知的負担に与える影響について検討する。 我々のアプローチは、スマートウォッチから得られる光胸腺造影(PPG)信号の分析を通じて、認知負荷を評価するシステムを作成することである。 このシステムは、認知的に要求されるタスクと休息期間の間にPSGデータを収集して構築される。 得られたデータを用いて機械学習モデルを訓練し、認知負荷(CL)を検出する。 その後、ゲーミフィケーション版と従来のバージョンという2つのバージョンのヘルスサーベイを作成します。 本研究の目的は,モバイル端末を用いた調査を完了しながら,参加者が経験した認知負荷を推定することである。 CL検出器の性能は,ストレス検出タスクの事前トレーニングによって向上し,PSG信号の取得に最低30秒の時間を要することが判明した。 13人中10人については、パーソナライズされた認知負荷検出器が0.7以上のF1スコアを達成できる。 ゲーム化と非ゲーム化の2つの調査で,認知的負荷が高い状況下での時間的な差は認められなかったが,参加者はゲーム化バージョンを好む。 各質問に費やされる平均時間はゲーミフィケーション調査で5.5であり、非ゲーミフィケーション版では6秒である。

関連論文リスト

• Does the Definition of Difficulty Matter? Scoring Functions and their Role for Curriculum Learning [42.4526628515253]
  CL(Curriculum Learning)は、サンプルを学習プロセスに徐々に導入する機械学習トレーニング戦略である。 サンプル難易度推定のための最も一般的なスコアリング関数のロバスト性と類似性について検討する。 その結果,ランダムシード間のスコアリング関数のロバスト性はCL性能と正の相関関係があることが判明した。
  論文  参考訳（メタデータ） (2024-11-01T18:55:31Z)
• What Makes CLIP More Robust to Long-Tailed Pre-Training Data? A Controlled Study for Transferable Insights [67.72413262980272]
  大規模なデータ不均衡は、Webスケールの視覚言語データセットの間に自然に存在する。 事前学習したCLIPは、教師付き学習と比較してデータ不均衡に顕著な堅牢性を示す。 CLIPの堅牢性と差別性は、より記述的な言語監督、より大きなデータスケール、より広いオープンワールドの概念によって改善される。
  論文  参考訳（メタデータ） (2024-05-31T17:57:24Z)
• SeSaMe: A Framework to Simulate Self-Reported Ground Truth for Mental Health Sensing Studies [3.7398400615298466]
  メンタルモデル (SeSaMe) は、デジタルメンタルヘルス研究における参加者の負担を軽減する枠組みである。 事前訓練された大規模言語モデル(LLM)を活用することで、SeSaMeは参加者の心理的尺度に対する反応のシミュレーションを可能にする。 本稿では,GPT-4を用いて1つのスケールで応答をシミュレートするSeSaMeの応用例を示す。
  論文  参考訳（メタデータ） (2024-03-25T21:48:22Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• Measuring Cognitive Workload Using Multimodal Sensors [1.8582645184234494]
  本研究の目的は,マルチモーダルセンシングと機械学習を用いて認知負荷を推定する指標のセットを特定することである。 課題難易度(易度と難度)の2段階において,12名の被験者の認知負荷を誘発する3つの認知テストを実施した。
  論文  参考訳（メタデータ） (2022-05-05T23:18:00Z)
• Identity and Posture Recognition in Smart Beds with Deep Multitask Learning [8.422257363944295]
  被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。 喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。 提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
  論文  参考訳（メタデータ） (2021-04-05T21:21:54Z)
• Late fusion of machine learning models using passively captured interpersonal social interactions and motion from smartphones predicts decompensation in heart failure [10.26574533594142]
  心不全(HF)は、死亡率と死亡率の主要な原因であり、入院の主な原因の1つです。 退院後、スマートフォンアプリで20人が監視された。 スマートフォンを用いたモニタリングシステムを用いて収集した動作,社会的,位置,臨床調査データを用いて,HF補償イベントの予測・分類を行うアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-04-04T01:04:29Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。