論文の概要: Inferring Mood-While-Eating with Smartphone Sensing and Community-Based Model Personalization

• arxiv url: http://arxiv.org/abs/2306.00723v3
• Date: Wed, 05 Mar 2025 21:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:55:51.202087
• Title: Inferring Mood-While-Eating with Smartphone Sensing and Community-Based Model Personalization
• Title（参考訳）: スマートフォンセンシングとコミュニティベースモデルパーソナライズによるムードワイル食の推測
• Authors: Wageesha Bangamuarachchi, Anju Chamantha, Lakmal Meegahapola, Haeeun Kim, Salvador Ruiz-Correa, Indika Perera, Daniel Gatica-Perez,
• Abstract要約: 本研究では,メキシコと8カ国の大学生の2つのデータセットを用いて,日常の食事行動と気分について検討する。 以上の結果から,一般的な気分推定モデルでは,食事時など特定の文脈におけるパフォーマンスが低下していることが示唆された。 以上の結果から,MEXデータセットは63.8%(F1スコア62.5),MULデータセットは88.3%(F1スコア85.7)と推定できた。
• 参考スコア（独自算出の注目度）: 4.042509002030685
• License:
• Abstract: The interplay between mood and eating episodes has been extensively researched, revealing a connection between the two. Previous studies have relied on questionnaires and mobile phone self-reports to investigate the relationship between mood and eating. However, current literature exhibits several limitations: a lack of investigation into the generalization of mood inference models trained with data from various everyday life situations to specific contexts like eating; an absence of studies using sensor data to explore the intersection of mood and eating; and inadequate examination of model personalization techniques within limited label settings, a common challenge in mood inference (i.e., far fewer negative mood reports compared to positive or neutral reports). In this study, we sought to examine everyday eating behavior and mood using two datasets of college students in Mexico (N_mex = 84, 1843 mood-while-eating reports) and eight countries (N_mul = 678, 24K mood-while-eating reports), which contain both passive smartphone sensing and self-report data. Our results indicate that generic mood inference models experience a decline in performance in specific contexts, such as during eating, highlighting the issue of sub-context shifts in mobile sensing. Moreover, we discovered that population-level (non-personalized) and hybrid (partially personalized) modeling techniques fall short in the commonly used three-class mood inference task (positive, neutral, negative). To overcome these limitations, we implemented a novel community-based personalization approach. Our findings demonstrate that mood-while-eating can be inferred with accuracies 63.8% (with F1-score of 62.5) for the MEX dataset and 88.3% (with F1-score of 85.7) with the MUL dataset using community-based models, surpassing those achieved with traditional methods.
• Abstract（参考訳）: 気分と食事のエピソードの相互作用は広く研究され、両者のつながりが明らかになっている。 これまでの調査では、ムードと食事の関係を調査するために、アンケートや携帯電話による自己報告に頼っていた。 しかし、現在の文献では、様々な日常生活の状況から食事のような特定の文脈までのデータで訓練された気分推論モデルの一般化に関する調査の欠如、気分と食事の交わりを探索するセンサーデータを用いた研究の欠如、ラベル設定の限定されたモデルパーソナライゼーション手法の欠如、ムード推論における一般的な課題(例えば、ポジティブまたは中立的な報告よりもはるかに少ないネガティブなムードレポート)など、いくつかの制限がある。 本研究では,メキシコの大学生(N_mex = 84,1843)と8カ国(N_mul = 678, 24K)の2つのデータセットを用いて,受動的スマートフォンセンサと自己申告データの両方を含む日常の食事行動と気分を調査した。 以上の結果から,一般的な気分推定モデルでは,食事中やモバイルセンシングにおけるサブコンテキストシフトの問題など,特定の状況におけるパフォーマンスの低下が示唆された。 さらに,人口レベル(非個人化)とハイブリッド(部分パーソナライズ)のモデリング技術は,一般的に使用されている3段階の気分推定タスク(ポジティブ,中立,ネガティブ)では不十分であることがわかった。 これらの制約を克服するため、我々は新しいコミュニティベースのパーソナライゼーションアプローチを実装した。 以上の結果から,MEXデータセットでは63.8%(F1スコア62.5),MULデータセットでは88.3%(F1スコア85.7),コミュニティベースモデルでは88.3%(F1スコア85.7)であった。

関連論文リスト

• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Understanding the Social Context of Eating with Multimodal Smartphone Sensing: The Role of Country Diversity [5.764112063319108]
  本研究は,8カ国678人の大学生を対象に,約24Kの自己申告データを収集した。 分析の結果,食事イベントにおけるスマートフォンの利用状況は各国で類似しているが,各国に特有の傾向がみられた。
  論文  参考訳（メタデータ） (2023-06-01T14:16:59Z)
• The MuSe 2023 Multimodal Sentiment Analysis Challenge: Mimicked Emotions, Cross-Cultural Humour, and Personalisation [69.13075715686622]
  MuSe 2023は、現代の3つの異なるマルチモーダル感情と感情分析の問題に対処する共有タスクの集合である。 MuSe 2023は、さまざまな研究コミュニティから幅広いオーディエンスを集めようとしている。
  論文  参考訳（メタデータ） (2023-05-05T08:53:57Z)
• Generalization and Personalization of Mobile Sensing-Based Mood Inference Models: An Analysis of College Students in Eight Countries [8.218081835111912]
  8か国678人の参加者から329万件の自己申告を行ったモバイルセンシングデータセットを収集した。 国別(大陸内での訓練・試験)、大陸別(大陸内での訓練・試験)、国別(訓練データでは見られない国で試験)、多国間(複数の国で訓練・試験)のアプローチを評価した。
  論文  参考訳（メタデータ） (2022-11-06T02:26:52Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Multimodal Privacy-preserving Mood Prediction from Mobile Data: A Preliminary Study [34.550824104906255]
  精神的な健康状態は、先進医療に共通のアクセスを持つ国でも診断が不十分である。 人間の行動を監視するための有望なデータソースのひとつは、毎日のスマートフォンの利用だ。 リスクの高い青年の移動行動のデータセットを用いて行動マーカーや日常の気分を調査した。
  論文  参考訳（メタデータ） (2020-12-04T01:44:22Z)
• Alone or With Others? Understanding Eating Episodes of College Students with Mobile Sensing [7.786904858719634]
  食事の社会的文脈(友人、家族、パートナーなど)は、食事の種類、食事中の心理的状態、食事量といった側面に影響を及ぼす重要な自己申告機能である。 本研究では,ウェアラブルとスマートフォンの受動的センシングデータと食生活の社会的文脈について検討する。
  論文  参考訳（メタデータ） (2020-11-23T19:45:55Z)
• Eating Habits Discovery in Egocentric Photo-streams [9.436913961194671]
  食事関連行動パターン探索モデルを構築し,日常的に実施されている活動から栄養のルーチンを明らかにする。 このフレームワーク内では、単純だが堅牢で高速な新しい分類パイプラインを提示する。 本稿では,カメラが単独で食べる際の食品関連シーンの識別への応用について述べる。
  論文  参考訳（メタデータ） (2020-09-16T12:46:35Z)

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。