論文の概要: Loneliness Forecasting Using Multi-modal Wearable and Mobile Sensing in Everyday Settings
- arxiv url: http://arxiv.org/abs/2410.00020v1
- Date: Sun, 15 Sep 2024 18:33:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 15:38:57.840523
- Title: Loneliness Forecasting Using Multi-modal Wearable and Mobile Sensing in Everyday Settings
- Title（参考訳）: マルチモーダルウェアラブルとモバイルセンシングを用いた毎日の空調予測
- Authors: Zhongqi Yang, Iman Azimi, Salar Jafarlou, Sina Labbaf, Brenda Nguyen, Hana Qureshi, Christopher Marcotullio, Jessica L. Borelli, Nikil Dutt, Amir M. Rahmani,
- Abstract要約: 本研究では、スマートリングや時計などのウェアラブルデバイスを用いて、孤独の初期の生理的指標を監視する。
スマートフォンは初期の孤独の兆候を 捉えるために使われています
パーソナライズされたモデルの開発を通じて、7日間の孤独度予測において、顕著な精度 0.82 と F-1 スコア 0.82 を達成した。
- 参考スコア（独自算出の注目度）: 1.7253972752874662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The adverse effects of loneliness on both physical and mental well-being are profound. Although previous research has utilized mobile sensing techniques to detect mental health issues, few studies have utilized state-of-the-art wearable devices to forecast loneliness and estimate the physiological manifestations of loneliness and its predictive nature. The primary objective of this study is to examine the feasibility of forecasting loneliness by employing wearable devices, such as smart rings and watches, to monitor early physiological indicators of loneliness. Furthermore, smartphones are employed to capture initial behavioral signs of loneliness. To accomplish this, we employed personalized machine learning techniques, leveraging a comprehensive dataset comprising physiological and behavioral information obtained during our study involving the monitoring of college students. Through the development of personalized models, we achieved a notable accuracy of 0.82 and an F-1 score of 0.82 in forecasting loneliness levels seven days in advance. Additionally, the application of Shapley values facilitated model explainability. The wealth of data provided by this study, coupled with the forecasting methodology employed, possesses the potential to augment interventions and facilitate the early identification of loneliness within populations at risk.
- Abstract（参考訳）: 孤独の悪影響は、身体的および精神的な幸福の両方に深く影響する。
これまでの研究では、モバイルセンシング技術を用いてメンタルヘルスの問題を検知しているが、孤独感を予測し、孤独感とその予測的性質を推定するために最先端のウェアラブルデバイスを使用している研究はほとんどない。
本研究の目的は、スマートリングや時計などのウェアラブルデバイスを用いて、孤独の早期の生理的指標を監視することにより、孤独を予測できる可能性を検討することである。
さらに、スマートフォンは、初期の孤独な行動の兆候を捉えるために使われる。
そこで,本研究では,大学生のモニタリングを含む調査において得られた生理的・行動的情報を含む包括的データセットを活用する,パーソナライズされた機械学習技術を用いた。
パーソナライズされたモデルの開発を通じて、7日間の孤独度予測において、顕著な精度 0.82 と F-1 スコア 0.82 を達成した。
さらに、Shapley値の適用により、モデル説明可能性も向上した。
この研究によって得られた豊富なデータと予測手法が組み合わさって、介入を増強し、リスクのある集団における孤独の早期発見を促進する可能性を持っている。
関連論文リスト
- Leveraging LLMs to Predict Affective States via Smartphone Sensor Features [6.1930355276269875]
デジタル表現型は、行動やメンタルヘルスを推測するために、パーソナルデジタルデバイスからデータを収集して分析する。
大型言語モデル(LLM)の出現は、スマートフォンのセンシングデータを理解するための新しいアプローチを提供する。
本研究は, 大学生のスマートフォンセンシングデータに基づいて, LLMを用いて影響を予測し, このギャップを埋めることを目的とする。
論文 参考訳（メタデータ） (2024-07-11T07:37:52Z) - Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Integrating Wearable Sensor Data and Self-reported Diaries for Personalized Affect Forecasting [2.36325543943271]
本研究では,影響状況予測のためのマルチモーダル深層学習モデルを提案する。
このモデルは、トランスフォーマーエンコーダと事前訓練された言語モデルを組み合わせることで、客観的なメトリクスと自己報告された日記の統合分析を容易にする。
その結果, 予測精度82.50%, 負の影響82.76%, 前週の予測精度82.76%が得られた。
論文 参考訳（メタデータ） (2024-03-16T17:24:38Z) - Decoding Emotional Valence from Wearables: Can Our Data Reveal Our True
Feelings? [0.210674772139335]
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。
論文 参考訳（メタデータ） (2023-12-21T13:57:34Z) - Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。
本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。
分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
論文 参考訳（メタデータ） (2022-08-07T02:28:32Z) - 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) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z) - Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。
スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。
eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
論文 参考訳（メタデータ） (2020-08-09T20:22:52Z)
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。