論文の概要: Exploring the relationship between response time sequence in scale
answering process and severity of insomnia: a machine learning approach
- arxiv url: http://arxiv.org/abs/2310.08817v1
- Date: Fri, 13 Oct 2023 02:06:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 14:42:53.102688
- Title: Exploring the relationship between response time sequence in scale
answering process and severity of insomnia: a machine learning approach
- Title（参考訳）: 大規模回答過程における応答時間列と不眠症の重症度の関係:機械学習アプローチ
- Authors: Zhao Su, Rongxun Liu, Keyin Zhou, Xinru Wei, Ning Wang, Zexin Lin,
Yuanchen Xie, Jie Wang, Fei Wang, Shenzhong Zhang, Xizhe Zhang
- Abstract要約: 不眠症症状と反応時間との関係について検討した。
応答時間データを用いて不眠症の有無を予測する機械学習モデルを開発した。
- 参考スコア（独自算出の注目度）: 9.543953794971433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objectives: The study aims to investigate the relationship between insomnia
and response time. Additionally, it aims to develop a machine learning model to
predict the presence of insomnia in participants using response time data.
Methods: A mobile application was designed to administer scale tests and
collect response time data from 2729 participants. The relationship between
symptom severity and response time was explored, and a machine learning model
was developed to predict the presence of insomnia. Results: The result revealed
a statistically significant difference (p<.001) in the total response time
between participants with or without insomnia symptoms. A correlation was
observed between the severity of specific insomnia aspects and response times
at the individual questions level. The machine learning model demonstrated a
high predictive accuracy of 0.743 in predicting insomnia symptoms based on
response time data. Conclusions: These findings highlight the potential utility
of response time data to evaluate cognitive and psychological measures,
demonstrating the effectiveness of using response time as a diagnostic tool in
the assessment of insomnia.
- Abstract（参考訳）: 目的: 不眠症と反応時間の関係を明らかにすることを目的とした。
さらに、反応時間データを用いて、参加者の不眠症の有無を予測する機械学習モデルの開発も目指している。
方法: モバイルアプリケーションはスケールテストを管理し,2729人の参加者から応答時間データを収集するように設計された。
症状の重症度と応答時間の関係を調査し,不眠症の有無を予測するための機械学習モデルを開発した。
結果: 不眠症の有無にかかわらず, 総反応時間において統計的に有意な差(p<.001)を認めた。
特定の不眠症の重症度と個々の質問レベルでの反応時間との間に相関が認められた。
機械学習モデルは、応答時間データに基づく不眠症症状の予測において、0.743の高い予測精度を示した。
結論: 本研究は, 認知的, 心理的指標を評価するための応答時間データの有用性を浮き彫りにし, 不眠症の診断ツールとしての応答時間の有効性を実証した。
関連論文リスト
- Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis [1.9662978733004597]
本研究の目的は,就寝時の頻繁な動きによる睡眠不足など,エビデンスに基づく評価を提供する機械学習ベースの睡眠評価モデルを構築することである。
睡眠音イベントの抽出,VAEを用いた潜時表現の抽出,GMMによるクラスタリング,主観的睡眠評価のためのLSTMトレーニングは94.8%の精度で睡眠満足度を識別した。
論文 参考訳（メタデータ） (2024-04-16T05:56:41Z) - Domain Invariant Representation Learning and Sleep Dynamics Modeling for
Automatic Sleep Staging [6.86283473936335]
ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。
DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。
睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2023-12-06T00:28:08Z) - Signal Processing Grand Challenge 2023 -- e-Prevention: Sleep Behavior
as an Indicator of Relapses in Psychotic Patients [27.6075917779323]
本稿では,精神病患者の再発検出におけるUSC SAILのシグナル処理グランドチャレンジ2023-e-Prevention(Task2)への取り組みと成果について述べる。
本研究では、非教師なし機械学習環境において、睡眠行動の特徴を用いて、再発日を外れ値として推定する。
我々の提出はタスクの公式リーダーボードで第3位にランクされ、精神的な再発の客観的かつ非侵襲的な予測因子としての可能性を示した。
論文 参考訳（メタデータ） (2023-04-17T21:02:46Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳（メタデータ） (2022-11-08T17:29:40Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳（メタデータ） (2021-10-19T11:45:01Z) - Identity and Posture Recognition in Smart Beds with Deep Multitask
Learning [8.422257363944295]
被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。
喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。
提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
論文 参考訳（メタデータ） (2021-04-05T21:21:54Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z)
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。