論文の概要: A Comparison of Personalized and Generalized Approaches to Emotion
Recognition Using Consumer Wearable Devices: Machine Learning Study
- arxiv url: http://arxiv.org/abs/2308.14245v1
- Date: Mon, 28 Aug 2023 01:21:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 16:06:31.864758
- Title: A Comparison of Personalized and Generalized Approaches to Emotion
Recognition Using Consumer Wearable Devices: Machine Learning Study
- Title（参考訳）: 消費者ウェアラブルデバイスを用いた感情認識への個人化・一般化アプローチの比較:機械学習による研究
- Authors: Joe Li, Peter Washington
- Abstract要約: We developed a convolutional encoder for the three-class emotion classification problem using data from WESAD。
3クラス分類問題では, パーソナライズされたモデルの平均精度は95.06%, F1スコアは91.71であった。
その結果,パーソナライズされた感情認識モデルの研究の必要性が強調された。
- 参考スコア（独自算出の注目度）: 1.0895307583148537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Studies have shown the potential adverse health effects, ranging
from headaches to cardiovascular disease, associated with long-term negative
emotions and chronic stress. Since many indicators of stress are imperceptible
to observers, the early detection and intervention of stress remains a pressing
medical need. Physiological signals offer a non-invasive method of monitoring
emotions and are easily collected by smartwatches. Existing research primarily
focuses on developing generalized machine learning-based models for emotion
classification. Objective: We aim to study the differences between personalized
and generalized machine learning models for three-class emotion classification
(neutral, stress, and amusement) using wearable biosignal data. Methods: We
developed a convolutional encoder for the three-class emotion classification
problem using data from WESAD, a multimodal dataset with physiological signals
for 15 subjects. We compared the results between a subject-exclusive
generalized, subject-inclusive generalized, and personalized model. Results:
For the three-class classification problem, our personalized model achieved an
average accuracy of 95.06% and F1-score of 91.71, our subject-inclusive
generalized model achieved an average accuracy of 66.95% and F1-score of 42.50,
and our subject-exclusive generalized model achieved an average accuracy of
67.65% and F1-score of 43.05. Conclusions: Our results emphasize the need for
increased research in personalized emotion recognition models given that they
outperform generalized models in certain contexts. We also demonstrate that
personalized machine learning models for emotion classification are viable and
can achieve high performance.
- Abstract（参考訳）: 背景:研究は、頭痛から心血管疾患まで、長期のネガティブな感情と慢性的なストレスに関連する潜在的な健康影響を示している。
多くのストレスの指標は観察者には認識できないため、ストレスの早期発見と介入は医学的ニーズに迫られている。
生理学的信号は、感情を監視する非侵襲的な方法を提供し、スマートウォッチによって容易に収集される。
既存の研究は主に感情分類のための一般化機械学習ベースのモデルの開発に焦点を当てている。
目的: ウェアラブルバイオサインデータを用いた3段階感情分類(中性, ストレス, 娯楽)のためのパーソナライズされた機械学習モデルと一般化された機械学習モデルの違いについて検討すること。
方法: 生理的信号が15名を対象としたマルチモーダルデータセットであるwesadのデータを用いて, 3段階感情分類問題のための畳み込みエンコーダを開発した。
主観的一般化,主観的一般化,パーソナライズモデルの比較を行った。
結果:3類分類問題では,パーソナライズドモデルの平均精度は95.06%,f1-scoreは91.71,主観的一般化モデルは66.95%,f1-scoreは42.50,主観的一般化モデルは67.65%,f1-scoreは43.05であった。
結論:本研究は,特定の文脈において一般化されたモデルよりもパーソナライズされた感情認識モデルにおける研究の必要性を強調する。
また、感情分類のためのパーソナライズされた機械学習モデルが実現可能であり、高いパフォーマンスを達成できることを実証する。
関連論文リスト
- Improving Emotion Recognition Accuracy with Personalized Clustering [0.0]
感情認識は、リアルタイムおよび実生活で動作する高速で離散的で非豪華なシステムで行うべきです。
これらのカスタマイズされたモデルは、外部刺激に対する感情的な反応において類似点を共有する被験者のクラスタに適用できる。
論文 参考訳（メタデータ） (2024-09-23T16:42:36Z) - 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 Affective Models to Enable Neuropsychiatric Digital
Precision Health Interventions: A Feasibility Study [0.820591242098274]
自閉症スペクトラム障害(ASD)に対するモバイルデジタル治療は、しばしば感情認識と誘発を標的としている。
本稿では,モデルパーソナライズの可能性を探り,一人ひとりの感情認識モデルを訓練する。
一連の感情を喚起する被験者の映像データセットであるEmognitionデータセットについて実験を行った。
論文 参考訳（メタデータ） (2023-09-21T07:16:50Z) - An investigation into the impact of deep learning model choice on sex
and race bias in cardiac MR segmentation [8.449342469976758]
被検者の性別と人種の不均衡が、AIによる心臓磁気共鳴画像のセグメンテーションにどのように影響するかを検討する。
4つのモデルのうち3つのモデルに有意な性的偏見があり、すべてのモデルに人種的偏見がある。
論文 参考訳（メタデータ） (2023-08-25T14:55:38Z) - Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。
デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。
これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
論文 参考訳（メタデータ） (2023-07-12T01:11:52Z) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳（メタデータ） (2023-04-18T18:15:38Z) - Classification of anomalous gait using Machine Learning techniques and
embedded sensors [0.0]
従来の臨床インフラを整備し、人間の歩行検査を行えるようにするために、高い投資が求められていることが知られている。
本研究は、3D加速度計と3Dジャイロスコープ測定を取得するために、ウェアラブルデバイスで構成されるアクセス可能で現代的なソリューションを提案する。
論文 参考訳（メタデータ） (2021-10-08T21:58:00Z) - 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) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - MetaPhys: Few-Shot Adaptation for Non-Contact Physiological Measurement [17.038017337552724]
そこで我々はMetaPhysというメタラーニング手法を提案する。
カスタマイズには18秒の動画しか使用せず、教師なしと教師なしの両方で効果的に機能する。
論文 参考訳（メタデータ） (2020-10-05T04:41:03Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z)
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。