論文の概要: Wearable data from subjects playing Super Mario, sitting university exams, or performing physical exercise help detect acute mood episodes via self-supervised learning

• arxiv url: http://arxiv.org/abs/2311.04215v1
• Date: Tue, 7 Nov 2023 18:59:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 14:22:02.174843
• Title: Wearable data from subjects playing Super Mario, sitting university exams, or performing physical exercise help detect acute mood episodes via self-supervised learning
• Title（参考訳）: スーパーマリオや座った大学の試験、身体運動などを行う被験者のウェアラブルデータは、自己教師付き学習による急性の気分のエピソードを検出するのに役立つ
• Authors: Filippo Corponi, Bryan M. Li, Gerard Anmella, Cl\`audia Valenzuela-Pascual, Ariadna Mas, Isabella Pacchiarotti, Marc Valent\'i, Iria Grande, Antonio Benabarre, Marina Garriga, Eduard Vieta, Allan H Young, Stephen M. Lawrie, Heather C. Whalley, Diego Hidalgo-Mazzei, Antonio Vergari
• Abstract要約: ムード障害(英: Mood disorders, MDs)は、世界の疾病の重荷の主要な決定要因である。 自己教師付き学習(SSL)の最近の進歩は、未学習のデータを活用して事前訓練中に表現を学習し、その後、教師付きタスクに利用している。 SSLは、私たちの新しいE4-tailored Transformerアーキテクチャ(E4mer)または古典的なベースラインXGBoostを使用して、完全に教師付きパイプラインを確実に上回ることを示す。
• 参考スコア（独自算出の注目度）: 2.8410265137064106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personal sensing, leveraging data passively and near-continuously collected with wearables from patients in their ecological environment, is a promising paradigm to monitor mood disorders (MDs), a major determinant of worldwide disease burden. However, collecting and annotating wearable data is very resource-intensive. Studies of this kind can thus typically afford to recruit only a couple dozens of patients. This constitutes one of the major obstacles to applying modern supervised machine learning techniques to MDs detection. In this paper, we overcome this data bottleneck and advance the detection of MDs acute episode vs stable state from wearables data on the back of recent advances in self-supervised learning (SSL). This leverages unlabelled data to learn representations during pre-training, subsequently exploited for a supervised task. First, we collected open-access datasets recording with an Empatica E4 spanning different, unrelated to MD monitoring, personal sensing tasks -- from emotion recognition in Super Mario players to stress detection in undergraduates -- and devised a pre-processing pipeline performing on-/off-body detection, sleep-wake detection, segmentation, and (optionally) feature extraction. With 161 E4-recorded subjects, we introduce E4SelfLearning, the largest to date open access collection, and its pre-processing pipeline. Second, we show that SSL confidently outperforms fully-supervised pipelines using either our novel E4-tailored Transformer architecture (E4mer) or classical baseline XGBoost: 81.23% against 75.35% (E4mer) and 72.02% (XGBoost) correctly classified recording segments from 64 (half acute, half stable) patients. Lastly, we illustrate that SSL performance is strongly associated with the specific surrogate task employed for pre-training as well as with unlabelled data availability.
• Abstract（参考訳）: 個人の感覚は、受動的かつほぼ連続的に収集されたデータを、彼らの生態環境にある患者のウェアラブルで活用し、世界中の病気の重荷を決定づける主要な要因である気分障害(MD)を監視するための、有望なパラダイムである。 しかし、ウェアラブルデータの収集とアノテートは非常にリソース集約的です。 この種の研究は、通常、わずか数十人の患者を雇う余裕がある。 これは、現代の教師付き機械学習技術をmds検出に適用するための大きな障害の1つである。 本稿では,このデータボトルネックを克服し,最近の自己教師付き学習(ssl)の進歩を背景として,ウェアラブルデータからmds急性エピソードvs安定状態の検出を進める。 これは、事前トレーニング中に表現を学ぶためにラベルのないデータを活用する。 まず,md監視とは無関係な異なるempatica e4を用いて記録したオープンアクセスデータセットを,スーパーマリオプレイヤの感情認識から大学生のストレス検出まで,個人センシングタスクに適用し,オン/オフボディ検出,睡眠覚醒検出,セグメンテーション,(オプションで)特徴抽出を行う前処理パイプラインを考案した。 161のE4記録被写体を用いて,これまでで最大規模のオープンアクセスコレクションであるE4SelfLearningとその前処理パイプラインを紹介する。 第2に,新しい E4-tailored Transformer Architecture (E4mer) あるいは古典的ベースライン XGBoost の81.23% 対 75.35% (E4mer) と 72.02% (XGBoost) は,64例 (半急性,半安定) の録音セグメントを正しく分類した。 最後に、SSLのパフォーマンスは、事前トレーニングに使用される特定のサロゲートタスクと、遅延のないデータ可用性と強く関連していることを示す。

関連論文リスト

• CUDLE: Learning Under Label Scarcity to Detect Cannabis Use in Uncontrolled Environments [5.571062160656525]
  CUDLE(Cannabis Use Detection with Label efficiency)は,実世界のウェアラブルセンサデータを用いて,自己教師付き学習を活用する新しいフレームワークである。 CUDLEは、対照的な学習フレームワークを通じて、センサ由来のデータを使用して大麻の消費モーメントを特定する。 分析の結果,CUDLEの精度は73.4%,教師付きアプローチでは71.1%,ラベル数が減少するにつれてパフォーマンスギャップが拡大していることがわかった。
  論文  参考訳（メタデータ） (2024-10-04T07:57:12Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection [43.905374104261014]
  そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。 どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。 以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-03T15:37:40Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• Learning Generalizable Physiological Representations from Large-scale 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。 その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。 本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T17:56:03Z)
• 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)
• 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。