論文の概要: A Multimodal Data-driven Framework for Anxiety Screening
- arxiv url: http://arxiv.org/abs/2303.09041v1
- Date: Thu, 16 Mar 2023 02:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 17:02:52.850274
- Title: A Multimodal Data-driven Framework for Anxiety Screening
- Title(参考訳): 不安スクリーニングのためのマルチモーダルデータ駆動フレームワーク
- Authors: Haimiao Mo, Shuai Ding, Siu Cheung Hui
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.002401707506941
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Early screening for anxiety and appropriate interventions are essential to
reduce the incidence of self-harm and suicide in patients. Due to limited
medical resources, traditional methods that overly rely on physician expertise
and specialized equipment cannot simultaneously meet the needs for high
accuracy and model interpretability. Multimodal data can provide more objective
evidence for anxiety screening to improve the accuracy of models. The large
amount of noise in multimodal data and the unbalanced nature of the data make
the model prone to overfitting. However, it is a non-differentiable problem
when high-dimensional and multimodal feature combinations are used as model
inputs and incorporated into model training. This causes existing anxiety
screening methods based on machine learning and deep learning to be
inapplicable. Therefore, we propose a multimodal data-driven anxiety screening
framework, namely MMD-AS, and conduct experiments on the collected health data
of over 200 seafarers by smartphones. The proposed framework's feature
extraction, dimension reduction, feature selection, and anxiety inference are
jointly trained to improve the model's performance. In the feature selection
step, a feature selection method based on the Improved Fireworks Algorithm is
used to solve the non-differentiable problem of feature combination to remove
redundant features and search for the ideal feature subset. The experimental
results show that our framework outperforms the comparison methods.
- Abstract(参考訳): 不安と適切な介入の早期スクリーニングは、患者の自傷や自殺の頻度を減らすために不可欠である。
医療資源が限られているため、医師の専門知識や専門機器に過度に依存する伝統的な手法は、高い精度とモデル解釈可能性の必要性を同時に満たすことはできない。
マルチモーダルデータは、モデルの精度を向上させるために不安スクリーニングの客観的な証拠を提供することができる。
マルチモーダルデータにおける大量のノイズとデータの不均衡の性質により、モデルは過度に適合する傾向にある。
しかし,高次元・マルチモーダルな特徴組合せをモデル入力とし,モデル学習に組み込む場合,これは微分不可能な問題である。
これにより、機械学習とディープラーニングに基づく既存の不安スクリーニング手法が適用不可能となる。
そこで本研究では,マルチモーダルなデータ駆動型不安スクリーニングフレームワークmmd-as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について実験を行う。
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。
特徴選択ステップでは、改良花火アルゴリズムに基づく特徴選択法を用いて、特徴組合せの非微分可能問題を解くことにより、冗長な特徴を取り除き、理想的な特徴部分集合を探索する。
実験の結果,本フレームワークは比較手法よりも優れていた。
関連論文リスト
- A Two-stream Convolutional Network for Musculoskeletal and Neurological
Disorders Prediction [14.003588854239544]
筋骨格障害や神経疾患は高齢者の歩行障害の最も一般的な原因である。
近年のディープラーニングに基づく手法は、自動分析に有望な結果を示している。
論文 参考訳(メタデータ) (2022-08-18T14:32:16Z) - SFF-DA: Sptialtemporal Feature Fusion for Detecting Anxiety
Nonintrusively [16.170315080992182]
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。
論文 参考訳(メタデータ) (2022-08-12T01:20:51Z) - Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic
Reinforcement Learning [9.274138493400436]
医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。
これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。
生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-08T03:06:16Z) - Selective Inference for Sparse Multitask Regression with Applications in
Neuroimaging [2.611153304251067]
本稿では、ニューロイメージングにおける一般的なマルチタスク問題に対処するための選択推論フレームワークを提案する。
我々のフレームワークは、選択イベントの洗練に基づいて、新しい推論条件を提供する。
我々は,選択推論を用いたマルチタスク学習により,単一タスク法よりも真の信号をより正確に復元できることをシミュレーションにより示す。
論文 参考訳(メタデータ) (2022-05-27T20:21:20Z) - MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。
本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。
テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
論文 参考訳(メタデータ) (2022-02-09T04:12:30Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - FedMed-GAN: Federated Multi-Modal Unsupervised Brain Image Synthesis [55.29343228661974]
我々は、フェデレートされたマルチモーダルな教師なし脳画像合成のための新しいベンチマークを構築した(FedMed-GAN)。
本稿では,FedMed-GANの生成モード崩壊問題を解消し,差分プライバシーによる性能低下を軽減するために,新たなエッジ損失を提案する。
論文 参考訳(メタデータ) (2022-01-22T02:50:29Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - 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。