論文の概要: Personalization of Stress Mobile Sensing using Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2308.02731v1
- Date: Fri, 4 Aug 2023 22:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 19:10:10.511630
- Title: Personalization of Stress Mobile Sensing using Self-Supervised Learning
- Title（参考訳）: 自己教師付き学習によるストレスモバイルセンシングのパーソナライズ
- Authors: Tanvir Islam, Peter Washington
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.7598252755538808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stress is widely recognized as a major contributor to a variety of health
issues. Stress prediction using biosignal data recorded by wearables is a key
area of study in mobile sensing research because real-time stress prediction
can enable digital interventions to immediately react at the onset of stress,
helping to avoid many psychological and physiological symptoms such as heart
rhythm irregularities. Electrodermal activity (EDA) is often used to measure
stress. However, major challenges with the prediction of stress using machine
learning include the subjectivity and sparseness of the labels, a large feature
space, relatively few labels, and a complex nonlinear and subjective
relationship between the features and outcomes. To tackle these issues, we
examine the use of model personalization: training a separate stress prediction
model for each user. To allow the neural network to learn the temporal dynamics
of each individual's baseline biosignal patterns, thus enabling personalization
with very few labels, we pre-train a 1-dimensional convolutional neural network
(CNN) using self-supervised learning (SSL). We evaluate our method using the
Wearable Stress and Affect prediction (WESAD) dataset. We fine-tune the
pre-trained networks to the stress prediction task and compare against
equivalent models without any self-supervised pre-training. We discover that
embeddings learned using our pre-training method outperform supervised
baselines with significantly fewer labeled data points: the models trained with
SSL require less than 30% of the labels to reach equivalent performance without
personalized SSL. This personalized learning method can enable precision health
systems which are tailored to each subject and require few annotations by the
end user, thus allowing for the mobile sensing of increasingly complex,
heterogeneous, and subjective outcomes such as stress.
- Abstract（参考訳）: ストレスは様々な健康問題の主要な要因として広く認識されている。
ウェアラブルによって記録された生体信号データを用いたストレス予測は、リアルタイムのストレス予測がストレスの開始時にデジタル介入を即座に反応させることができるため、モバイルセンシング研究において重要な研究領域である。
電界活動(eda)はストレスを測定するためにしばしば用いられる。
しかしながら、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な関係である。
これらの問題に対処するために,モデルパーソナライゼーション(モデルパーソナライゼーション)の利用について検討する。
ニューラルネットワークが個々の基本となる生体信号パターンの時間的ダイナミクスを学習できるように、ラベルの少ないパーソナライズを可能にするため、自己教師付き学習(SSL)を用いて1次元畳み込みニューラルネットワーク(CNN)を事前訓練する。
本手法はウェアラブルストレスを用いて評価し,wesad(impact prediction)データセットを用いて評価する。
プレトレーニングされたネットワークをストレス予測タスクに微調整し、自己教師付き事前トレーニングなしで等価モデルと比較する。
SSLでトレーニングされたモデルでは、パーソナライズされたSSLなしで同等のパフォーマンスに到達するには、ラベルの30%未満が必要になります。
このパーソナライズされた学習方法は、各主題に合わせた精密な健康システムを可能にし、エンドユーザによる注釈をほとんど必要とせず、ストレスなどの主観的な結果がより複雑で異質なモバイルセンシングを可能にする。
関連論文リスト
- Personalized Prediction of Recurrent Stress Events Using Self-Supervised
Learning on Multimodal Time-Series Data [1.7598252755538808]
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。
論文 参考訳（メタデータ） (2023-07-07T00:44:06Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - 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) - 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) - Stress Classification and Personalization: Getting the most out of the
least [18.528929583956725]
本稿では,新しい畳み込みニューラルネットワーク(CNN)を用いたストレス検出・分類フレームワークを提案する。
我々の手法は競争力があり、現在の最先端技術よりも優れています。
論文 参考訳（メタデータ） (2021-07-12T18:14:10Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Self-supervised transfer learning of physiological representations from
free-living wearable data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
論文 参考訳（メタデータ） (2020-11-18T23:21:34Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - On-Device Transfer Learning for Personalising Psychological Stress
Modelling using a Convolutional Neural Network [4.40450723619303]
ストレスは、現代社会において、かつてないほど広い人口に悪影響を及ぼす懸念が高まっている。
ストレスの正確な推測は、個人化された介入の可能性をもたらす可能性がある。
ストレス実験を完了した20人の参加者のデータを用いて訓練した初期ベースモデルからトランスファー学習を活用することで、個人化されたクロスドメイン1D CNNの開発を提案する。
論文 参考訳（メタデータ） (2020-04-03T14:48:36Z)
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。