論文の概要: Decoding Emotional Valence from Wearables: Can Our Data Reveal Our True
Feelings?
- arxiv url: http://arxiv.org/abs/2401.05408v1
- Date: Thu, 21 Dec 2023 13:57:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:34:14.069481
- Title: Decoding Emotional Valence from Wearables: Can Our Data Reveal Our True
Feelings?
- Title(参考訳): ウェアラブルから感情的ヴァレンスをデコードする:データから本当の感情がわかるか?
- Authors: Michal K. Grzeszczyk, Anna Lisowska, Arkadiusz Sitek, Aneta Lisowska
- Abstract要約: 本研究は, 消費者グレードのウェアラブルと自己申告手段を活用することで, 実験室による研究と実生活環境とのギャップを埋めることを目的とする。
得られたデータの初期分析は,主に有価値分類の結果に着目したものである。
本研究は、移動型メンタルヘルス介入の分野における今後の研究の道を開くものである。
- 参考スコア(独自算出の注目度): 0.210674772139335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic detection and tracking of emotional states has the potential for
helping individuals with various mental health conditions. While previous
studies have captured physiological signals using wearable devices in
laboratory settings, providing valuable insights into the relationship between
physiological responses and mental states, the transfer of these findings to
real-life scenarios is still in its nascent stages. Our research aims to bridge
the gap between laboratory-based studies and real-life settings by leveraging
consumer-grade wearables and self-report measures. We conducted a preliminary
study involving 15 healthy participants to assess the efficacy of wearables in
capturing user valence in real-world settings. In this paper, we present the
initial analysis of the collected data, focusing primarily on the results of
valence classification. Our findings demonstrate promising results in
distinguishing between high and low positive valence, achieving an F1 score of
0.65. This research opens up avenues for future research in the field of mobile
mental health interventions.
- Abstract(参考訳): 感情状態の自動検出と追跡は、様々な精神状態の個人を助ける可能性がある。
これまでの研究では、ウェアラブルデバイスを用いた生理的シグナルを実験室で捉え、生理的反応と精神状態の関係についての貴重な洞察を提供してきたが、これらの発見を現実のシナリオに移すことは、まだ初期段階にある。
本研究は, 消費者級ウェアラブルと自己報告手段を活用することで, 実験室型研究と実生活環境とのギャップを埋めることを目的としている。
本研究は,実環境におけるウェアラブルの有効性を評価するため,健常者15名を対象にした予備調査を行った。
本稿では,収集されたデータの初期分析を行い,主に価数分類の結果に注目した。
その結果,高い正価と低い正価を区別し,F1スコア0.65を達成できた。
本研究は、モバイルメンタルヘルス介入分野における今後の研究の道を開くものである。
関連論文リスト
- Exploring the dynamic interplay of cognitive load and emotional arousal
by using multimodal measurements: Correlation of pupil diameter and emotional
arousal in emotionally engaging tasks [0.0]
本研究の目的は,認知作業負荷の指標としての瞳孔径と,感情刺激の指標としての深層学習によるFACTの相関について検討することである。
28名の被験者が3つの認知的要求と感情的な日常的道徳的ジレンマに取り組み,視線追跡と感情認識データを収集した。
その結果,感情的覚醒と瞳孔径のデータストリームの間には負の相関と統計的に有意な相関が認められた。
論文 参考訳(メタデータ) (2024-03-01T08:49:17Z) - Affective State Detection using fNIRs and Machine Learning [0.0]
そこで本研究では,9つの被験者を対象とする実験を行い,想い,娯楽,認知負荷の情緒的状態について考察した。
その結果,認知負荷の予測精度は,他の2つのクラスよりも高かった。
論文 参考訳(メタデータ) (2024-02-28T11:12:47Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall
Activity Annotations from Wearable Sensors [79.57744087902266]
そこで本研究では,Wildデータに着目した4つのアノテーション手法を比較した。
本研究は,異なるラベル付け手法がアノテーションの品質に直接影響を及ぼすことを示す。
アクティビティダイアログと可視化ツールを組み合わせることで,参加者のアクティビティデータを検査し,ラベル付けすることができる。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - Causal Categorization of Mental Health Posts using Transformers [0.0]
既存のメンタルヘルス分析研究は、ソーシャルメディアに対するユーザの意図を分類するために、横断的な研究を中心に展開されている。
詳細な分析では,因果分類の問題を解くために既存の分類器について検討する。
本研究では, トランスフォーマーモデルを用いて, トレーニング済みのトランスファー学習の有効性を「CAMS」データセット上で実証する。
論文 参考訳(メタデータ) (2023-01-06T16:37:48Z) - 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) - Objective Prediction of Tomorrow's Affect Using Multi-Modal
Physiological Data and Personal Chronicles: A Study of Monitoring College
Student Well-being in 2020 [0.0]
本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。
1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。
その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
論文 参考訳(メタデータ) (2022-01-26T23:06:20Z) - 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) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳(メタデータ) (2021-03-29T17:36:20Z) - Using Convolutional Variational Autoencoders to Predict Post-Trauma
Health Outcomes from Actigraphy Data [4.668948267866486]
うつ病と外傷後ストレス障害(PTSD)は、外傷性事象に関連する精神疾患である。
本研究は,調査用スマートウォッチを装着した1113名の被験者を対象に,ロコモター活動を用いた。
畳み込み変分オートエンコーダ(VAE)アーキテクチャは、アクティグラフィーデータから教師なしの特徴抽出に用いられた。
論文 参考訳(メタデータ) (2020-11-14T22:48:12Z) - 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。