論文の概要: Context-Aware Stress Monitoring using Wearable and Mobile Technologies
in Everyday Settings
- arxiv url: http://arxiv.org/abs/2401.05367v1
- Date: Thu, 14 Dec 2023 19:16:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:57:45.381080
- Title: Context-Aware Stress Monitoring using Wearable and Mobile Technologies
in Everyday Settings
- Title（参考訳）: 日常環境におけるウェアラブルおよびモバイル技術を用いたコンテキストアウェアストレスモニタリング
- Authors: Seyed Amir Hossein Aqajari, Sina Labbaf, Phuc Hoang Tran, Brenda
Nguyen, Milad Asgari Mehrabadi, Marco Levorato, Nikil Dutt, Amir M. Rahmani
- Abstract要約: 本研究では,生理的データと文脈的データの両方を利用して,日常のストレスレベルを客観的に追跡するモニタリングシステムを提案する。
本稿では,その課題に対処する3階層のインターネット・オブ・シングス・システムアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 2.650926942973848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Daily monitoring of stress is a critical component of maintaining optimal
physical and mental health. Physiological signals and contextual information
have recently emerged as promising indicators for detecting instances of
heightened stress. Nonetheless, developing a real-time monitoring system that
utilizes both physiological and contextual data to anticipate stress levels in
everyday settings while also gathering stress labels from participants
represents a significant challenge. We present a monitoring system that
objectively tracks daily stress levels by utilizing both physiological and
contextual data in a daily-life environment. Additionally, we have integrated a
smart labeling approach to optimize the ecological momentary assessment (EMA)
collection, which is required for building machine learning models for stress
detection. We propose a three-tier Internet-of-Things-based system architecture
to address the challenges. We utilized a cross-validation technique to
accurately estimate the performance of our stress models. We achieved the
F1-score of 70\% with a Random Forest classifier using both PPG and contextual
data, which is considered an acceptable score in models built for everyday
settings. Whereas using PPG data alone, the highest F1-score achieved is
approximately 56\%, emphasizing the significance of incorporating both PPG and
contextual data in stress detection tasks.
- Abstract（参考訳）: ストレスの日々のモニタリングは、最適な身体と精神の健康を維持する重要な要素である。
生理的信号と文脈情報は最近、ストレスの高まりを検知するための有望な指標として現れている。
それにもかかわらず、生理的・文脈的なデータを用いて日常のストレスレベルを予測し、参加者からストレスラベルを収集するリアルタイムモニタリングシステムの開発は、大きな課題である。
本稿では,日常環境における生理的・文脈的データを利用して,日常的なストレスレベルを客観的に追跡するモニタリングシステムを提案する。
さらに,ストレス検出のための機械学習モデル構築に必要なエコロジーモーメントアセスメント(EMA)コレクションを最適化するために,スマートラベル手法を統合した。
課題に対処するために,三層インターネットベースのシステムアーキテクチャを提案する。
クロスバリデーション手法を用いてストレスモデルの性能を正確に推定した。
ppgと文脈データの両方を用いたランダムフォレスト分類器を用いて,f1-scoreの70\%を達成した。
PPGデータのみを使用するのに対し、最も高いF1スコアは56\%であり、PPGデータと文脈データの両方をストレス検出タスクに組み込むことの重要性を強調している。
関連論文リスト
- Continuous Wavelet Transformation and VGG16 Deep Neural Network for Stress Classification in PPG Signals [0.22499166814992436]
本研究は,光胸腺X線信号によるストレス分類における画期的なアプローチを提案する。
連続ウェーブレット変換(CWT)を実証されたVGG16に組み込むことで,ストレス評価精度と信頼性を向上させる。
論文 参考訳（メタデータ） (2024-10-17T19:29:52Z) - Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。
我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。
教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文 参考訳（メタデータ） (2024-07-12T15:48:40Z) - Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach [4.132425356039815]
本稿では,スマートウォッチとスマートフォンのコンテキストデータを用いたストレス検出のための,新しい文脈認識型アクティブラーニング(RL)アルゴリズムを提案する。
提案手法では,EMAの展開に最適な時刻を動的に選択し,ユーザの即時コンテキストを利用してラベルの精度を最大化し,侵入性を最小化する。
この研究は、パーソナライズされたコンテキスト駆動のリアルタイムストレスモニタリング手法への大きな動きを示す。
論文 参考訳（メタデータ） (2024-07-11T06:33:11Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - Classification of Stress via Ambulatory ECG and GSR Data [0.0]
本研究は, 自己申告されたストレスアノテーションを用いた実験室で記録された生理的データを用いて, ストレスを検出するためのいくつかのアプローチを実験的に評価する。
最適応力検出法は90.77%の分類精度、91.24 F1-サブミッション、90.42感度、91.08特異性を達成する。
論文 参考訳（メタデータ） (2022-07-19T15:57:14Z) - An Informative Tracking Benchmark [133.0931262969931]
既存のデータセットと新たに収集されたデータセットの1.2Mフレームのうち7%が、小型かつ情報的追跡ベンチマーク(ITB)である。
1) 課題レベル, 2) 識別力, 3) 外観変化の密度を考慮し, 既存のベンチマークから最も有意義なシーケンスを選択する。
同一データ上で再学習した15の最先端トラッカーの結果を解析することにより,各シナリオ下でのロバストなトラッカーの効果的な手法を決定できる。
論文 参考訳（メタデータ） (2021-12-13T07:56:16Z) - Data Collection and Labeling of Real-Time IoT-Enabled Bio-Signals in
Everyday Settings for Mental Health Improvement [6.7377504888630675]
リアルタイムの生理的データ収集と分析は、現代の幸福な応用において中心的な役割を果たす。
本稿では, ウェアラブルセンサからの光胸腺図, 加速度, ジャイロスコープ, 重力データのリアルタイム収集と解析を行うシステムを構築した。
論文 参考訳（メタデータ） (2021-08-02T20:56:48Z) - 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) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - Robust Learning Through Cross-Task Consistency [92.42534246652062]
クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。
クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
論文 参考訳（メタデータ） (2020-06-07T09:24:33Z)
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。