論文の概要: Personalized Prediction of Recurrent Stress Events Using Self-Supervised Learning on Multimodal Time-Series Data

• arxiv url: http://arxiv.org/abs/2307.03337v1
• Date: Fri, 7 Jul 2023 00:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 13:48:37.220767
• Title: Personalized Prediction of Recurrent Stress Events Using Self-Supervised Learning on Multimodal Time-Series Data
• Title（参考訳）: マルチモーダル時系列データを用いた自己教師付き学習による再帰的ストレスイベントの予測
• Authors: Tanvir Islam, Peter Washington
• Abstract要約: ウェアラブル生体信号データを用いたマルチモーダル・パーソナライズされたストレス予測システムを開発した。 我々は、各被験者のデータに基づいてモデルを事前学習するために、自己教師付き学習を採用する。 その結果,最小限のアノテーションで各ユーザのストレス予測をパーソナライズできることが示唆された。
• 参考スコア（独自算出の注目度）: 1.7598252755538808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chronic stress can significantly affect physical and mental health. The advent of wearable technology allows for the tracking of physiological signals, potentially leading to innovative stress prediction and intervention methods. However, challenges such as label scarcity and data heterogeneity render stress prediction difficult in practice. To counter these issues, we have developed a multimodal personalized stress prediction system using wearable biosignal data. We employ self-supervised learning (SSL) to pre-train the models on each subject's data, allowing the models to learn the baseline dynamics of the participant's biosignals prior to fine-tuning the stress prediction task. We test our model on the Wearable Stress and Affect Detection (WESAD) dataset, demonstrating that our SSL models outperform non-SSL models while utilizing less than 5% of the annotations. These results suggest that our approach can personalize stress prediction to each user with minimal annotations. This paradigm has the potential to enable personalized prediction of a variety of recurring health events using complex multimodal data streams.
• Abstract（参考訳）: 慢性ストレスは身体と精神の健康に大きな影響を及ぼす。 ウェアラブル技術の出現により、生理的信号の追跡が可能になり、革新的なストレス予測と介入方法につながる可能性がある。 しかし、ラベルの不足やデータの均一性といった課題は、実際にストレス予測を困難にしている。 これらの問題を解決するために,ウェアラブルバイオサインデータを用いたマルチモーダルパーソナライズストレス予測システムを開発した。 自己教師付き学習(SSL)を用いて各被験者のデータ上のモデルを事前学習し、ストレス予測タスクを微調整する前に参加者の生体信号のベースラインダイナミクスを学習する。 wesad(wearture stress and affect detection)データセットでモデルをテストすることにより、sslモデルは、アノテーションの5%未満を活用しながら、非sslモデルよりも優れています。 これらの結果は,各ユーザに対するストレス予測を最小限のアノテーションでパーソナライズできることを示唆する。 このパラダイムは、複雑なマルチモーダルデータストリームを使用して、繰り返し発生するさまざまな健康イベントのパーソナライズされた予測を可能にする可能性がある。

関連論文リスト

• Meta-learning and Data Augmentation for Stress Testing Forecasting Models [0.33554367023486936]
  モデルがストレスにさらされていると考えられるのは、高次のエラーや不確実性の増加など、ネガティブな振る舞いを示す場合である。 本稿では,MAST(Meta-learning and data Augmentation for Stress Testing)と呼ばれる新しいフレームワークに貢献する。
  論文  参考訳（メタデータ） (2024-06-24T17:59:33Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls and Opportunities [50.231837687221685]
  自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。 非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
  論文  参考訳（メタデータ） (2023-08-28T07:55:01Z)
• 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)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Self-Supervised Learning for Data Scarcity in a Fatigue Damage Prognostic Problem [0.0]
  自己監督学習(Self-Supervised Learning)は、教師なし学習アプローチのサブカテゴリである。 本稿では,未ラベルセンサデータを用いた自己学習型DLモデルの有効性について検討する。 その結果, 自己教師付き事前学習モデルでは, 下流RUL予測タスクにおいて, 非事前学習モデルよりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T06:45:32Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)

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。