論文の概要: Analyzing the contribution of different passively collected data to
predict Stress and Depression
- arxiv url: http://arxiv.org/abs/2310.13607v1
- Date: Fri, 20 Oct 2023 15:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 22:14:42.219478
- Title: Analyzing the contribution of different passively collected data to
predict Stress and Depression
- Title（参考訳）: 受動的に収集された異なるデータのストレス・抑うつ予測への貢献の分析
- Authors: Irene Bonafonte, Cristina Bustos, Abraham Larrazolo, Gilberto Lorenzo
Martinez Luna, Adolfo Guzman Arenas, Xavier Baro, Isaac Tourgeman, Mercedes
Balcells and Agata Lapedriza
- Abstract要約: 本研究では,受動的に収集したセンサデータ型の寄与を分析し,毎日の自己申告ストレスとPHQ-9抑うつスコアを予測する。
その結果,WiFi機能(モビリティパターンをエンコードする)とPhone Log機能(睡眠パターンと相関する情報をエンコードする)はストレスやうつ病の予測に有意な情報を提供することがわかった。
- 参考スコア（独自算出の注目度）: 1.7638111859993633
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The possibility of recognizing diverse aspects of human behavior and
environmental context from passively captured data motivates its use for mental
health assessment. In this paper, we analyze the contribution of different
passively collected sensor data types (WiFi, GPS, Social interaction, Phone
Log, Physical Activity, Audio, and Academic features) to predict daily
selfreport stress and PHQ-9 depression score. First, we compute 125 mid-level
features from the original raw data. These 125 features include groups of
features from the different sensor data types. Then, we evaluate the
contribution of each feature type by comparing the performance of Neural
Network models trained with all features against Neural Network models trained
with specific feature groups. Our results show that WiFi features (which encode
mobility patterns) and Phone Log features (which encode information correlated
with sleep patterns), provide significative information for stress and
depression prediction.
- Abstract（参考訳）: 受動的に捉えたデータから人間の行動や環境状況の多様な側面を認識できることは、メンタルヘルスアセスメントへの利用を動機付けている。
本稿では,受動的に収集したセンサデータ(Wi-Fi,GPS,ソーシャルインタラクション,電話ログ,身体活動,オーディオ,学術的特徴)を用いて,日々の自己申告ストレスとPHQ-9抑うつスコアの予測を行った。
まず、元の生データから125の中間機能を計算する。
これらの125の機能には、センサーデータタイプの機能のグループが含まれている。
次に,すべての特徴を訓練したニューラルネットワークモデルと,特定の特徴群を訓練したニューラルネットワークモデルの性能を比較することにより,各特徴型の寄与度を評価する。
以上の結果から、WiFi機能(モビリティパターンをエンコードする)とPhone Log機能(睡眠パターンと相関する情報をエンコードする)がストレスやうつ病の予測に有意な情報を提供することがわかった。
関連論文リスト
- Integrating Wearable Sensor Data and Self-reported Diaries for Personalized Affect Forecasting [2.36325543943271]
本研究では,影響状況予測のためのマルチモーダル深層学習モデルを提案する。
このモデルは、トランスフォーマーエンコーダと事前訓練された言語モデルを組み合わせることで、客観的なメトリクスと自己報告された日記の統合分析を容易にする。
その結果, 予測精度82.50%, 負の影響82.76%, 前週の予測精度82.76%が得られた。
論文 参考訳（メタデータ） (2024-03-16T17:24:38Z) - A Novel Loss Function Utilizing Wasserstein Distance to Reduce
Subject-Dependent Noise for Generalizable Models in Affective Computing [0.4818210066519976]
感情は人間の行動の重要な部分であり、思考、意思決定、コミュニケーションスキルに影響を与える可能性がある。
感情を正確に監視し識別する能力は、行動訓練、感情的幸福の追跡、人間とコンピュータのインターフェイスの開発など、多くの人間中心のアプリケーションで有用である。
論文 参考訳（メタデータ） (2023-08-17T01:15:26Z) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳（メタデータ） (2023-06-15T16:22:57Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - A Theoretical Analysis on Feature Learning in Neural Networks: Emergence
from Inputs and Advantage over Fixed Features [18.321479102352875]
ニューラルネットワークの重要な特徴は、予測に有効な特徴を持つ入力データの表現を学ぶ能力である。
実践的なデータによって動機づけられた学習問題を考察し、そこでは、ラベルが一連のクラス関連パターンによって決定され、それらから入力が生成される。
勾配降下によって訓練されたニューラルネットワークがこれらの問題に成功できることを実証する。
論文 参考訳（メタデータ） (2022-06-03T17:49:38Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳（メタデータ） (2022-05-21T19:49:04Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳（メタデータ） (2021-10-19T14:22:04Z) - Jointly Predicting Job Performance, Personality, Cognitive Ability,
Affect, and Well-Being [42.67003631848889]
本研究では,身体的および生理的行動,心理的状態と特徴,職能を統合した個人予測分析のためのベンチマークを作成する。
我々は、データマイニング技術をベンチマークとして設計し、ウェアラブルセンサから得られた真のノイズと不完全なデータを用いて、12の標準化された精確なテストに基づいて19の構造を予測する。
論文 参考訳（メタデータ） (2020-06-10T14:30:29Z)
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。