論文の概要: Investigating the Generalizability of Physiological Characteristics of Anxiety
- arxiv url: http://arxiv.org/abs/2402.15513v1
- Date: Tue, 23 Jan 2024 16:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 07:18:44.003574
- Title: Investigating the Generalizability of Physiological Characteristics of Anxiety
- Title（参考訳）: 不安の生理的特徴の一般化可能性の検討
- Authors: Emily Zhou, Mohammad Soleymani, Maja J. Matarić,
- Abstract要約: 不安やストレスと高覚醒感情との関連が示された生理的特徴の一般化可能性を評価する。
この研究は、心電図やEDA信号からストレスと覚醒を横断する最初のクロスコーパス評価であり、ストレス検出の一般化性に関する新たな発見に寄与した。
- 参考スコア（独自算出の注目度）: 3.4036712573981607
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent works have demonstrated the effectiveness of machine learning (ML) techniques in detecting anxiety and stress using physiological signals, but it is unclear whether ML models are learning physiological features specific to stress. To address this ambiguity, we evaluated the generalizability of physiological features that have been shown to be correlated with anxiety and stress to high-arousal emotions. Specifically, we examine features extracted from electrocardiogram (ECG) and electrodermal (EDA) signals from the following three datasets: Anxiety Phases Dataset (APD), Wearable Stress and Affect Detection (WESAD), and the Continuously Annotated Signals of Emotion (CASE) dataset. We aim to understand whether these features are specific to anxiety or general to other high-arousal emotions through a statistical regression analysis, in addition to a within-corpus, cross-corpus, and leave-one-corpus-out cross-validation across instances of stress and arousal. We used the following classifiers: Support Vector Machines, LightGBM, Random Forest, XGBoost, and an ensemble of the aforementioned models. We found that models trained on an arousal dataset perform relatively well on a previously unseen stress dataset, and vice versa. Our experimental results suggest that the evaluated models may be identifying emotional arousal instead of stress. This work is the first cross-corpus evaluation across stress and arousal from ECG and EDA signals, contributing new findings about the generalizability of stress detection.
- Abstract（参考訳）: 近年の研究では、生理学的信号を用いて不安やストレスを検出する機械学習(ML)技術の有効性が示されているが、MLモデルがストレスに特有の生理的特徴を学習しているかどうかは不明である。
このあいまいさに対処するため,不安やストレスと高覚醒感情との関連が示された生理的特徴の一般化可能性について検討した。
具体的には、不安相データセット(APD)、ウェアラブルストレスと感情検出(WESAD)、継続的な感情の信号(CASE)の3つのデータセットから、心電図(ECG)および心電図(EDA)信号から抽出した特徴について検討する。
これらの特徴が不安に特有のものなのか、あるいは他の高覚醒感情に一般的なものなのかを統計的回帰分析により理解することを目的としており、また、ストレスや覚醒の事例にまたがるコーパス、クロスコーパス、アウト・ワン・コーパス・アウト・クロスバリデーションも検討している。
サポートベクターマシン、LightGBM、ランダムフォレスト、XGBoost、および上記のモデルのアンサンブルを使用していた。
覚醒データセットでトレーニングされたモデルは、以前は目に見えなかったストレスデータセットで比較的よく機能し、その逆も同様に機能することがわかった。
実験結果から,評価モデルがストレスではなく情緒的覚醒を識別している可能性が示唆された。
この研究は、心電図やEDA信号からストレスと覚醒を横断する最初のクロスコーパス評価であり、ストレス検出の一般化性に関する新たな発見に寄与した。
関連論文リスト
- Stress Assessment with Convolutional Neural Network Using PPG Signals [0.22499166814992436]
本研究は,Empatica E4 センサによって記録された生の PPG 信号を用いてストレスのある事象を評価する新しい手法の開発に焦点をあてる。
マルチレイヤパーセプトロン(MLP)と組み合わせた適応畳み込みニューラルネットワーク(CNN)を用いて、ストレスのある事象の検出を実現している。
この研究は、一般公開され、ウェアラブルストレスとエフェクト検出(WESAD)と名付けられたデータセットを使用する。
論文 参考訳（メタデータ） (2024-10-16T06:24:16Z) - Stressor Type Matters! -- Exploring Factors Influencing Cross-Dataset Generalizability of Physiological Stress Detection [5.304745246313982]
本研究では,2次応力検出のためのHRV機能に基づいて学習した機械学習モデルの一般化可能性について検討する。
以上の結果から,モデル一般化可能性に重要な因子であるストレスタイプが示唆された。
我々は、新しい環境にHRVベースのストレスモデルを展開する際に、ストレスタイプをマッチングすることを推奨する。
論文 参考訳（メタデータ） (2024-05-06T14:47:48Z) - Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches [57.486040830365646]
ストレスと抑うつは日々のタスクにおけるエンゲージメントに影響を与え、彼らの相互作用を理解する必要性を強調します。
この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
論文 参考訳（メタデータ） (2024-03-09T11:16:09Z) - Analysing the Performance of Stress Detection Models on Consumer-Grade
Wearable Devices [9.580380455705397]
ストレスレベルは、メンタルヘルス分析のための貴重なデータと、アノテーションシステムのためのラベルを提供することができる。
低分解能エレクトロミカルアクティビティ(EDA)信号を用いてストレスパターンを識別する可能性についての研究は乏しい。
論文 参考訳（メタデータ） (2022-03-18T00:36:27Z) - 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) - Machine Learning Based Anxiety Detection in Older Adults using Wristband
Sensors and Context Feature [1.52292571922932]
本手法は,1つの生理的信号の特徴と実験的文脈に基づく特徴を組み合わせ,不安検出手法を提案する。
本研究は, 高齢者の不安の長期モニタリングを容易にするために, 低コストのコンシューマーデバイスを用いた不安検知手法の有効性を示すものである。
論文 参考訳（メタデータ） (2021-06-06T03:17:29Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - StressNet: Detecting Stress in Thermal Videos [10.453959171422147]
本稿では, サーマルビデオから生理的信号を取得し, ストレス状態を分類するための新しい手法を提案する。
ストレスネット (StressNet) は、ストレス人の定量的指標と考えられる心交感神経活動の変化の尺度であるISTI (Initial Systolic Time Interval) を再構成する。
詳細な評価では、ISTI信号の95%の精度で推定し、平均精度0.842で応力を検出することが示されている。
論文 参考訳（メタデータ） (2020-11-18T20:47:23Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z) - 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) - 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。