論文の概要: Explainable Depression Detection via Head Motion Patterns

• arxiv url: http://arxiv.org/abs/2307.12241v1
• Date: Sun, 23 Jul 2023 06:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 17:10:58.006590
• Title: Explainable Depression Detection via Head Motion Patterns
• Title（参考訳）: 頭部運動パターンによる説明可能な抑うつ検出
• Authors: Monika Gahalawat, Raul Fernandez Rojas, Tanaya Guha, Ramanathan Subramanian, Roland Goecke
• Abstract要約: 本研究は,2つの異なるアプローチを採用することにより,抑うつ検出のための基本的な頭部運動単位であるEmphkinemesの有用性を実証する。 我々は,emphBlackDogとemphAVEC2013データセットの抑うつ分類性能を評価する。
• 参考スコア（独自算出の注目度）: 13.950923529777803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While depression has been studied via multimodal non-verbal behavioural cues, head motion behaviour has not received much attention as a biomarker. This study demonstrates the utility of fundamental head-motion units, termed \emph{kinemes}, for depression detection by adopting two distinct approaches, and employing distinctive features: (a) discovering kinemes from head motion data corresponding to both depressed patients and healthy controls, and (b) learning kineme patterns only from healthy controls, and computing statistics derived from reconstruction errors for both the patient and control classes. Employing machine learning methods, we evaluate depression classification performance on the \emph{BlackDog} and \emph{AVEC2013} datasets. Our findings indicate that: (1) head motion patterns are effective biomarkers for detecting depressive symptoms, and (2) explanatory kineme patterns consistent with prior findings can be observed for the two classes. Overall, we achieve peak F1 scores of 0.79 and 0.82, respectively, over BlackDog and AVEC2013 for binary classification over episodic \emph{thin-slices}, and a peak F1 of 0.72 over videos for AVEC2013.
• Abstract（参考訳）: うつ病はマルチモーダルな非言語行動手段によって研究されているが、頭部運動行動はバイオマーカーとしてはあまり注目されていない。 本研究は,2つの異なるアプローチを採用し,特徴を生かした抑うつ検出のための基本的な頭部運動単位であるemph{kinemes}の有用性を示す。 (a)うつ病患者と健常者の両方に対応する頭部運動データからキネムを発見し、 (b) 健常なコントロールからのみキネムパターンを学習し, 患者とコントロールクラスの両方の再構成誤差から得られた統計計算を行った。 機械学習手法を用いて,<emph{BlackDog} と \emph{AVEC2013} データセットの抑うつ分類性能を評価する。 その結果,(1)頭部運動パターンは抑うつ症状の検出に有効なバイオマーカーであり,(2)前報と一致した説明的キネメパターンは2つのクラスで観察できることがわかった。 AVEC2013の動画では,emph{thin-slices} の2進分類では BlackDog と AVEC2013 で,F1 は 0.79 と 0.82 となり,F1 は 0.72 である。

関連論文リスト

• Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
  英国在住の一般住民10,129名のデータを横断的に分析した。 参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。 気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
  論文  参考訳（メタデータ） (2024-09-24T16:05:17Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• Depression Recognition using Remote Photoplethysmography from Facial Videos [0.3867363075280544]
  うつ病は個人の健康に有害な精神疾患である。 本研究は、異なるうつ状態が血液量脈(BVP)と心拍変動(HRV)に顕著な影響を及ぼすかどうかを観察するために生理的信号を分析する。 視覚情報に基づいて顔映像から直接抽出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-09T10:23:49Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Disentangling brain heterogeneity via semi-supervised deep-learning and MRI: dimensional representations of Alzheimer's Disease [2.7724592931061016]
  Smile-GANは、神経解剖学的不均一性を分解する新しい半監視深層クラスタリング法である。 smile-ganは、p1、正常解剖、最も高い認知能力、p2、軽度/拡散性萎縮、より著明な執行機能障害、p3、中心側頭側頭葉萎縮、記憶障害の相対的増加を含む4つの神経変性パターン/軸索を同定した。
  論文  参考訳（メタデータ） (2021-02-24T22:09:16Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Generalized Dilated CNN Models for Depression Detection Using Inverted Vocal Tract Variables [4.050982413149992]
  声帯バイオマーカーを用いた抑うつ検出は高度に研究されている分野である。 既存の研究の発見は主に、結果の一般化性を制限する単一のデータベース上で検証されている。 拡張コニキュラルニューラルネットワークを用いた抑うつ検出のための一般化分類器を提案する。
  論文  参考訳（メタデータ） (2020-11-13T03:12:36Z)
• 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。