論文の概要: Employing Multimodal Machine Learning for Stress Detection
- arxiv url: http://arxiv.org/abs/2306.09385v1
- Date: Thu, 15 Jun 2023 14:34:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 16:36:58.773046
- Title: Employing Multimodal Machine Learning for Stress Detection
- Title（参考訳）: ストレス検出のためのマルチモーダル機械学習
- Authors: Rahee Walambe, Pranav Nayak, Ashmit Bhardwaj, Ketan Kotecha
- Abstract要約: メンタルウェルネスは、今日の世界で最も無視されているが決定的な側面の1つである。
本研究では、人の作業行動とストレスレベルを監視するために、マルチモーダルなAIベースのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.430502131775722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the current age, human lifestyle has become more knowledge oriented
leading to generation of sedentary employment. This has given rise to a number
of health and mental disorders. Mental wellness is one of the most neglected
but crucial aspects of today's world. Mental health issues can, both directly
and indirectly, affect other sections of human physiology and impede an
individual's day-to-day activities and performance. However, identifying the
stress and finding the stress trend for an individual leading to serious mental
ailments is challenging and involves multiple factors. Such identification can
be achieved accurately by fusing these multiple modalities (due to various
factors) arising from behavioral patterns. Certain techniques are identified in
the literature for this purpose; however, very few machine learning-based
methods are proposed for such multimodal fusion tasks. In this work, a
multimodal AI-based framework is proposed to monitor a person's working
behavior and stress levels. We propose a methodology for efficiently detecting
stress due to workload by concatenating heterogeneous raw sensor data streams
(e.g., face expressions, posture, heart rate, computer interaction). This data
can be securely stored and analyzed to understand and discover personalized
unique behavioral patterns leading to mental strain and fatigue. The
contribution of this work is twofold; proposing a multimodal AI-based strategy
for fusion to detect stress and its level and secondly identify a stress
pattern over a period of time. We were able to achieve 96.09% accuracy on the
test set in stress detection and classification. Further, we reduce the stress
scale prediction model loss to 0.036 using these modalities. This work can
prove important for the community at large, specifically those working
sedentary jobs to monitor and identify stress levels, especially in current
times of COVID-19.
- Abstract（参考訳）: 現代では、人間のライフスタイルはより知識指向となり、定住雇用の創出に繋がる。
これは多くの健康障害や精神障害を引き起こしている。
メンタルウェルネスは、今日の世界で最も無視されているが重要な側面の1つである。
メンタルヘルス問題は、直接的にも間接的にも、人間の生理学の他の部分に影響を与え、個人の日々の活動やパフォーマンスを妨げる可能性がある。
しかし、重度の精神障害につながる個人に対するストレスの特定とストレス傾向の発見は困難であり、複数の要因が伴う。
このような識別は、行動パターンから生じる複数のモーダル性(様々な要因による)を融合させることで、正確に実現できる。
この目的のために文献に特定の技術が特定されているが、このようなマルチモーダル融合タスクには機械学習に基づく手法がほとんど提案されていない。
本研究では,人の作業行動やストレスレベルを監視するために,マルチモーダルaiベースのフレームワークを提案する。
本研究では,ヘテロジニアスな生センサデータストリーム(表情,姿勢,心拍数,コンピュータインタラクションなど)を結合することにより,作業負荷によるストレスを効率的に検出する手法を提案する。
このデータを安全に保存して分析することで、精神的な緊張や疲労につながるパーソナライズされた行動パターンを理解し、発見することができる。
この研究の貢献は2つある: ストレスとそのレベルを検出するための融合のためのマルチモーダルaiベースの戦略を提案し、次に、ある期間にわたってストレスパターンを識別する。
ストレス検出と分類において,テストセットの精度96.09%を達成した。
さらに,これらのモードを用いて応力スケール予測モデル損失を0.036に低減する。
この作業は、特に新型コロナウイルス(COVID-19)の現在の状況において、特にストレスレベルを監視し、特定するための鎮静職で働く人々にとって、コミュニティにとって重要であることが証明される。
関連論文リスト
- Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches [57.486040830365646]
ストレスと抑うつは日々のタスクにおけるエンゲージメントに影響を与え、彼らの相互作用を理解する必要性を強調します。
この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
論文 参考訳（メタデータ） (2024-03-09T11:16:09Z) - Multimodal Stress Detection Using Facial Landmarks and Biometric Signals [1.0124625066746595]
マルチモーダル学習は、単一の信号に頼るのではなく、各モーダルの強さに乗じることを目的としている。
本稿では,顔のランドマークと生体信号を統合したストレス検出のためのマルチモーダル学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-06T23:20:30Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
ストレスは様々な健康問題への主要な貢献者として広く認められている。
リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。
しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
論文 参考訳（メタデータ） (2023-08-04T22:26:33Z) - What's on your mind? A Mental and Perceptual Load Estimation Framework
towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。
これらの測定値の融合により、心的および知覚的負荷レベルを分類する。
我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
論文 参考訳（メタデータ） (2022-08-10T21:19:49Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Personalized Stress Monitoring using Wearable Sensors in Everyday
Settings [9.621481727547215]
心拍数(HR)と心拍変動率(HRV)に基づく日常生活ストレスレベルの客観的予測について検討する。
本稿では、ラベル付けのためのデータサンプルの調整可能なコレクションをサポートする、個人化されたストレス監視のための階層化システムアーキテクチャと、ラベル付けのためのリアルタイムデータのストリームから情報化サンプルを選択する方法を提案する。
論文 参考訳（メタデータ） (2021-07-31T04:15:15Z) - A multimodal sensor dataset for continuous stress detection of nurses in
a hospital [0.8312466807725921]
本稿では, 病院の自然作業環境において, ユニークなストレス検出データセットを提供する。
このデータセットは、新型コロナウイルスの感染拡大に伴う看護師の生体データである。
論文 参考訳（メタデータ） (2021-07-25T22:24:25Z) - MUSER: MUltimodal Stress Detection using Emotion Recognition as an
Auxiliary Task [22.80682208862559]
ストレスと感情は人間の感情状態であり、ストレスは感情の制御と発現に重要な影響を与えることが証明されている。
本研究では,ストレス検出を改善するための補助タスクとして,感情認識の有用性を検討する。
本稿では,高速な動的サンプリング戦略を備えたトランスフォーマーモデルアーキテクチャとマルチタスク学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-17T20:24:46Z) - Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。
スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。
eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
論文 参考訳（メタデータ） (2020-08-09T20:22:52Z) - 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。