論文の概要: Seamless Monitoring of Stress Levels Leveraging a Universal Model for Time Sequences
- arxiv url: http://arxiv.org/abs/2407.03821v1
- Date: Thu, 4 Jul 2024 10:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 18:32:28.289750
- Title: Seamless Monitoring of Stress Levels Leveraging a Universal Model for Time Sequences
- Title（参考訳）: 時系列のユニバーサルモデルを用いた応力レベルのシームレスモニタリング
- Authors: Davide Gabrielli, Bardh Prenkaj, Paola Velardi,
- Abstract要約: 本稿では,時系列の普遍モデルUniTSに基づくスマートウォッチからのストレス検出手法を提案する。
提案モデルが3つのベンチマークデータセット上での上位12の手法をかなり上回っていることを示す。
- 参考スコア（独自算出の注目度）: 4.308104021015939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring the stress level in patients with neurodegenerative diseases can help manage symptoms, improve patient's quality of life, and provide insight into disease progression. In the literature, ECG, actigraphy, speech, voice, and facial analysis have proven effective at detecting patients' emotions. On the other hand, these tools are invasive and do not integrate smoothly into the patient's daily life. HRV has also been proven to effectively indicate stress conditions, especially in combination with other signals. However, when HRV is derived from less invasive devices than the ECG, like smartwatches and bracelets, the quality of measurements significantly degrades. This paper presents a methodology for stress detection from a smartwatch based on a universal model for time series, UniTS, which we fine-tuned for the task. We cast the problem as anomaly detection rather than classification to favor model adaptation to individual patients and allow the clinician to maintain greater control over the system's predictions. We demonstrate that our proposed model considerably surpasses 12 top-performing methods on 3 benchmark datasets. Furthermore, unlike other state-of-the-art systems, UniTS enables seamless monitoring, as it shows comparable performance when using signals from invasive or lightweight devices.
- Abstract（参考訳）: 神経変性疾患患者のストレスレベルをモニタリングすることは、症状を管理し、患者の生活の質を改善し、疾患の進行に関する洞察を与えるのに役立つ。
文献では、心電図、アクチグラフィー、音声、音声、顔分析が患者の感情を検出するのに有効であることが証明されている。
一方、これらのツールは侵襲的であり、患者の日常生活にスムーズに統合されない。
HRVはまた、特に他のシグナルと組み合わせることで、ストレス条件を効果的に示すことが証明されている。
しかし、HRVがスマートウォッチやブレスレットなど、ECGよりも侵襲性の低いデバイスから派生している場合、測定の質は著しく低下する。
本稿では,時系列のユニバーサルモデルであるUniTSに基づくスマートウォッチからのストレス検出手法を提案する。
本研究は, 患者個人に対するモデル適応を優先し, 臨床医がシステム予測のコントロールを大きく維持できるように, 分類よりも異常検出を課題とした。
提案モデルが3つのベンチマークデータセット上での上位12の手法をかなり上回っていることを示す。
さらに、他の最先端システムとは異なり、UniTSは侵襲的または軽量デバイスからの信号を使用する際の同等のパフォーマンスを示すため、シームレスな監視を可能にする。
関連論文リスト
- Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳（メタデータ） (2024-01-19T16:26:35Z) - Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
ICUの既存の患者評価は散発的であり、手動で管理されている。
我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。
634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
論文 参考訳（メタデータ） (2023-11-01T15:07:03Z) - AIOSA: An approach to the automatic identification of obstructive sleep
apnea events based on deep learning [1.5381930379183162]
OSASは、死亡率の上昇、神経障害の悪化、リハビリテーション後の機能低下、高血圧の発症率の上昇と関連している。
OSAS診断のための金標準検査はPSG (Polysomnography) である。
生波形データの時間分解能を低減できる畳み込み型ディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-10T11:21:47Z) - Reducing a complex two-sided smartwatch examination for Parkinson's
Disease to an efficient one-sided examination preserving machine learning
accuracy [63.20765930558542]
パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。
本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
論文 参考訳（メタデータ） (2022-05-11T09:12:59Z) - An optimized hybrid solution for IoT based lifestyle disease
classification using stress data [2.3909933791900326]
提案手法は、被験者の心電図(ECG)、ガルバニック皮膚値(GSV)、HRV値、体の動きを測定するテストを用いている。
開発したアプローチは、WASADデータセットを使用して、クラス不均衡問題に対処することができる。
論文 参考訳（メタデータ） (2022-04-04T05:52:48Z) - PhysioMTL: Personalizing Physiological Patterns using Optimal Transport
Multi-Task Regression [21.254400561280296]
心拍変動 (HRV) は、自律神経活動の実用的で非侵襲的な指標である。
我々は,マルチタスク学習フレームワークにおける最適輸送理論を利用して,生理的マルチタスク学習(PhysioMTL)を開発する。
論文 参考訳（メタデータ） (2022-03-19T19:14:25Z) - 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) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - 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。