論文の概要: Objective Features Extracted from Motor Activity Time Series for Food Addiction Analysis Using Machine Learning

• arxiv url: http://arxiv.org/abs/2409.00310v1
• Date: Sat, 31 Aug 2024 00:33:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 15:37:00.836836
• Title: Objective Features Extracted from Motor Activity Time Series for Food Addiction Analysis Using Machine Learning
• Title（参考訳）: 機械学習を用いた食品添加分析のための運動活動時系列から抽出した目的的特徴
• Authors: Mikhail Borisenkov, Andrei Velichko, Maksim Belyaev, Dmitry Korzun, Tatyana Tserne, Larisa Bakutova, Denis Gubin,
• Abstract要約: 本研究は、食品依存症(FA)を診断し、確認された症状(SC)を評価するための機械学習アルゴリズムについて検討する。 FAおよびSCをYale Food Addiction Scale(YFAS)を用いて測定した参加者81名(平均年齢:21.5歳、範囲:18-61歳、女性77.8%)のデータを収集した。 本研究は, FAおよびSCに関連する生理指標のリアルタイムモニタリングと分析を行う健康デジタル支援機能を備えた,IoTデバイスとMLセンサからなるヒトバイオニックスイートのコンセプトをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates machine learning algorithms to identify objective features for diagnosing food addiction (FA) and assessing confirmed symptoms (SC). Data were collected from 81 participants (mean age: 21.5 years, range: 18-61 years, women: 77.8%) whose FA and SC were measured using the Yale Food Addiction Scale (YFAS). Participants provided demographic and anthropometric data, completed the YFAS, the Zung Self-Rating Depression Scale, and the Dutch Eating Behavior Questionnaire, and wore an actimeter on the non-dominant wrist for a week to record motor activity. Analysis of the actimetric data identified significant statistical and entropy-based features that accurately predicted FA and SC using ML. The Matthews correlation coefficient (MCC) was the primary metric. Activity-related features were more effective for FA prediction (MCC=0.88) than rest-related features (MCC=0.68). For SC, activity segments yielded MCC=0.47, rest segments MCC=0.38, and their combination MCC=0.51. Significant correlations were also found between actimetric features related to FA, emotional, and restrained eating behaviors, supporting the model's validity. Our results support the concept of a human bionic suite composed of IoT devices and ML sensors, which implements health digital assistance with real-time monitoring and analysis of physiological indicators related to FA and SC.
• Abstract（参考訳）: 本研究では,食品依存症(FA)を診断し,確認された症状(SC)を評価するための機械学習アルゴリズムについて検討した。 FAおよびSCをYale Food Addiction Scale(YFAS)を用いて測定した81人の参加者(平均年齢:21.5歳、範囲:18-61歳、女性77.8%)からデータを収集した。 参加者は人口統計と人文計測データを提供し、YFAS、Zung Self-Rating Depression Scale、オランダ食行動アンケートを完了し、運動記録のために1週間、非支配的な手首にアクティメーターを着用した。 アクティメトリックデータの解析により,MLを用いてFAおよびSCを正確に予測する有意な統計的特徴とエントロピー的特徴が同定された。 マシューズ相関係数(MCC)が主指標であった。 活動関連特徴は、休息関連特徴(MCC=0.68)よりもFA予測(MCC=0.88)に有効であった。 SCでは、活動セグメントはMCC=0.47、静止セグメントはMCC=0.38、それらの組み合わせはMCC=0.51となった。 また, FAに関連するアクティメトリックな特徴, 感情的, 抑えられた食行動の間に有意な相関関係がみられ, モデルの妥当性が示された。 本研究は, FAおよびSCに関連する生理指標のリアルタイムモニタリングと分析を行う健康デジタル支援機能を備えた,IoTデバイスとMLセンサからなるヒトバイオニックスイートのコンセプトをサポートする。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Enhancing Machine Learning Performance with Continuous In-Session Ground Truth Scores: Pilot Study on Objective Skeletal Muscle Pain Intensity Prediction [0.31498833540989407]
  主観的な自己申告スコアに基づいて訓練された機械学習モデルは、苦痛を客観的に分類するのに苦労する。 本研究は,ANS変調内皮活動(EDA)のリアルタイム連続的鎮痛スコア取得と収集のための2つの装置を開発した。 客観的EDAとインセッションスコアのトレーニングを受けたモデルは、それぞれ70.3%と74.6%のトレーニングを受けたモデルと比較して、優れたパフォーマンス(75.9%と78.3%)を達成した。
  論文  参考訳（メタデータ） (2023-08-02T00:28:22Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Explainable AI and Machine Learning Towards Human Gait Deterioration Analysis [0.0]
  歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。 physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-06-12T14:53:00Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Automated Analysis of Drawing Process for Detecting Prodromal and Clinical Dementia [0.0]
  プロドロマ性認知症および臨床認知症をスクリーニングするための有望な方法として, 描画過程の自動解析が研究されている。 本研究は,これらの特徴を,前頭葉・臨床認知症だけでなく,認知障害の重症度を予測するためにも利用できるかを検討した。 以上の結果から,認知障害や認知症による神経病理学的変化に関する情報を自動解析することで得られることが示唆された。
  論文  参考訳（メタデータ） (2022-11-16T05:38:52Z)
• Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification [48.42347515853289]
  経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T19:27:06Z)
• Explainable Artificial Intelligence for Pharmacovigilance: What Features Are Important When Predicting Adverse Outcomes? [21.346072731259248]
  我々は、個人の健康情報を入力として取り込むモデルを作成し、その個人が急性冠症候群を発症する確率を予測する。 XAIを用いて、特定の薬物がこれらのACS予測に与える影響を定量化した。 ロフェコキシブとセロコキシブの薬物放出特性は、ACS関連副作用予測に0以上の寄与があることが判明した。
  論文  参考訳（メタデータ） (2021-12-25T09:00:08Z)
• 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)

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。