論文の概要: Signal Processing Grand Challenge 2023 -- e-Prevention: Sleep Behavior as an Indicator of Relapses in Psychotic Patients

• arxiv url: http://arxiv.org/abs/2304.08614v1
• Date: Mon, 17 Apr 2023 21:02:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 16:32:21.514782
• Title: Signal Processing Grand Challenge 2023 -- e-Prevention: Sleep Behavior as an Indicator of Relapses in Psychotic Patients
• Title（参考訳）: 信号処理グランドチャレンジ2023-e-prevention--精神疾患患者の再発指標としての睡眠行動
• Authors: Kleanthis Avramidis, Kranti Adsul, Digbalay Bose, Shrikanth Narayanan
• Abstract要約: 本稿では,精神病患者の再発検出におけるUSC SAILのシグナル処理グランドチャレンジ2023-e-Prevention(Task2)への取り組みと成果について述べる。 本研究では、非教師なし機械学習環境において、睡眠行動の特徴を用いて、再発日を外れ値として推定する。 我々の提出はタスクの公式リーダーボードで第3位にランクされ、精神的な再発の客観的かつ非侵襲的な予測因子としての可能性を示した。
• 参考スコア（独自算出の注目度）: 27.6075917779323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the approach and results of USC SAIL's submission to the Signal Processing Grand Challenge 2023 - e-Prevention (Task 2), on detecting relapses in psychotic patients. Relapse prediction has proven to be challenging, primarily due to the heterogeneity of symptoms and responses to treatment between individuals. We address these challenges by investigating the use of sleep behavior features to estimate relapse days as outliers in an unsupervised machine learning setting. We extract informative features from human activity and heart rate data collected in the wild, and evaluate various combinations of feature types and time resolutions. We found that short-time sleep behavior features outperformed their awake counterparts and larger time intervals. Our submission was ranked 3rd in the Task's official leaderboard, demonstrating the potential of such features as an objective and non-invasive predictor of psychotic relapses.
• Abstract（参考訳）: 本稿では,精神病患者の再発検出におけるUSC SAILのシグナル処理グランドチャレンジ2023-e-Prevention(タスク2)への取り組みと成果について述べる。 再発予測は、主に症状の不均一性と個人間の治療に対する反応のために困難であることが証明されている。 我々は,教師なしの機械学習環境において,睡眠行動機能を用いて異常日数を推定することで,これらの課題に対処した。 野生で収集された人的活動と心拍データから情報的特徴を抽出し,特徴型と時間分解能の様々な組み合わせを評価する。 短時間の睡眠行動機能は、覚醒時とより長い時間間隔よりも優れていることがわかりました。 我々の提出はタスクの公式リーダーボードで3位にランクされ、精神病再発の客観的かつ非侵襲的な予測因子としての可能性を示した。

関連論文リスト

• Exploring the relationship between response time sequence in scale answering process and severity of insomnia: a machine learning approach [9.543953794971433]
  不眠症症状と反応時間との関係について検討した。 応答時間データを用いて不眠症の有無を予測する機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-10-13T02:06:52Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Discovering Behavioral Predispositions in Data to Improve Human Activity Recognition [1.2961180148172198]
  本研究は,患者が特定の行動を示す傾向のある日や週の特定の時間に観察を行うことにより,認識性能を向上させることを提案する。 クラスタ内のすべての時間セグメントは、同じ挙動からなり、従って振舞い前沈着(BPD)を示す。 実験により、時間セグメント当たりのBPDが分かっている場合、活動認識性能が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2022-07-18T10:07:15Z)
• 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)
• Patient-independent Schizophrenia Relapse Prediction Using Mobile Sensor based Daily Behavioral Rhythm Changes [8.086775225009996]
  モバイルセンシングデータを用いた機械学習に基づく統合失調症再発予測モデルについて検討した。 このモデルは、この4週間のモバイルセンシングデータを使って、来週の再発を予測している。 その結果,63名の統合失調症患者のデータセットを用いて,F2スコアが0.083であった。
  論文  参考訳（メタデータ） (2021-06-25T21:42:28Z)
• 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)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。