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: 翻訳完了
- 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
- HyperMM : Robust Multimodal Learning with Varying-sized Inputs [4.377889826841039]
HyperMMは、さまざまなサイズの入力で学習するために設計されたエンドツーエンドフレームワークである。
本稿では,条件付きハイパーネットワークを用いたユニバーサル特徴抽出器のトレーニング手法を提案する。
アルツハイマー病の診断と乳癌の分類の2つの課題において,本手法の利点を実験的に実証した。
論文 参考訳（メタデータ） (2024-07-30T12:13:18Z) - Towards Precision Healthcare: Robust Fusion of Time Series and Image Data [8.579651833717763]
本稿では,データの種類毎に2つのエンコーダを用いて,視覚情報と時間情報の両方において複雑なパターンをモデル化する手法を提案する。
また、不均衡なデータセットに対処し、不確実性損失関数を使用し、改善した結果を得る。
本手法は,臨床応用におけるマルチモーダルディープラーニングの改善に有効であることを示す。
論文 参考訳（メタデータ） (2024-05-24T11:18:13Z) - Test-Time Adaptation for Combating Missing Modalities in Egocentric Videos [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。
再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。
MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文 参考訳（メタデータ） (2024-04-23T16:01:33Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - The Relevance Feature and Vector Machine for health applications [0.11538034264098687]
本稿では,臨床研究における脂肪データ問題に対処する新しいモデルを提案する。
モデル機能は、太いデータ問題のあるいくつかの医療データセットの最先端モデルに対してテストされる。
論文 参考訳（メタデータ） (2024-02-11T01:21:56Z) - Dynamic Multimodal Information Bottleneck for Multimodality
Classification [26.65073424377933]
本稿では,頑健な融合特徴表現を実現するための動的マルチモーダル情報ボトルネックフレームワークを提案する。
具体的には、情報ボトルネックモジュールは、融合機能におけるタスク関連情報やノイズをフィルタリングするのに役立ちます。
提案手法は最先端の手法を超越し, 大規模ノイズチャネルが存在する場合, 性能を維持できる唯一の手法である。
論文 参考訳（メタデータ） (2023-11-02T08:34:08Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - 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) - 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。