論文の概要: Predicting Fine-grained Behavioral and Psychological Symptoms of Dementia Based on Machine Learning and Smart Wearable Devices

• arxiv url: http://arxiv.org/abs/2410.18091v1
• Date: Tue, 08 Oct 2024 08:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 05:40:40.341026
• Title: Predicting Fine-grained Behavioral and Psychological Symptoms of Dementia Based on Machine Learning and Smart Wearable Devices
• Title（参考訳）: 機械学習とスマートウェアラブルデバイスを用いた認知症の微粒化行動・心理症状の予測
• Authors: Benny Wei-Yun Hsu, Yu-Ming Chen, Yuan-Han Yang, Vincent S. Tseng,
• Abstract要約: 認知症(BPSD)の行動症状と心理症状は認知症ケアに大きな影響を与え、患者と介護者の両方に影響を及ぼす。 認知症予測のための機械学習の進歩にもかかわらず、BPSD予測にこれらの手法を利用することにはかなりのギャップがある。 本研究は、ウェアラブルデバイスからの生理的信号を利用したBPSD予測のための、新しいパーソナライズされたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.281764515407023
• License:
• Abstract: Behavioral and Psychological Symptoms of Dementia (BPSD) impact dementia care substantially, affecting both patients and caregivers. Effective management and early detection of BPSD are crucial to reduce the stress and burden on caregivers and healthcare systems. Despite the advancements in machine learning for dementia prediction, there is a considerable gap in utilizing these methods for BPSD prediction. This study aims to fill this gap by presenting a novel personalized framework for BPSD prediction, utilizing physiological signals from smart wearable devices. Our personalized fine-grained BPSD prediction method accurately predicts BPSD occurrences by extracting individual behavioral patterns, while the generalized models identify diverse patterns and differentiate between various BPSD symptoms. Detailed comparisons between the proposed personalized method and conventional generalized methods reveals substantial improvements across all performance metrics, including a 16.0% increase in AUC. These results demonstrate the potential of our proposed method in advancing dementia care by enabling proactive interventions and improving patient outcomes in real-world scenarios. To the best of our knowledge, this is the first study that leverages physiological signals from smart wearable devices to predict BPSD, marking a significant stride in dementia care research.
• Abstract（参考訳）: 認知症(BPSD)の行動症状と心理症状は認知症ケアに大きな影響を与え、患者と介護者の両方に影響を及ぼす。 BPSDの効果的な管理と早期発見は、介護者や医療システムに対するストレスと負担を軽減するために重要である。 認知症予測のための機械学習の進歩にもかかわらず、BPSD予測にこれらの手法を利用することにはかなりのギャップがある。 本研究の目的は、スマートウェアラブルデバイスからの生理的信号を利用してBPSD予測のための新しいパーソナライズされたフレームワークを提示することによって、このギャップを埋めることである。 個人別BPSD予測法は,個人行動パターンを抽出してBPSDの発生を正確に予測するが,一般化されたモデルは多様なパターンを同定し,BPSDの症状を識別する。 提案手法と従来手法との詳細な比較では,AUCの16.0%増加など,すべてのパフォーマンス指標に対して大幅な改善がみられる。 これらの結果は,現実のシナリオにおいて,積極的な介入を可能とし,患者の成果を向上させることで認知症ケアの進展における提案手法の可能性を示すものである。 私たちの知る限りでは、この研究は、スマートウェアラブルデバイスからの生理的信号を利用してBPSDを予測する最初の研究であり、認知症ケア研究において重要な一歩を踏み出した。

関連論文リスト

• MINDSETS: Multi-omics Integration with Neuroimaging for Dementia Subtyping and Effective Temporal Study [0.7751705157998379]
  アルツハイマー病(AD)と血管性認知症(VaD)は最も多い認知症である。 本稿では、ADとVaDを正確に区別する革新的なマルチオミクス手法を提案し、89.25%の精度で診断を行う。
  論文  参考訳（メタデータ） (2024-11-06T10:13:28Z)
• Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques [6.417777780911223]
  本研究は,慢性腎臓病(CKD)から末期腎疾患(ESRD)への進行を予測するために,高度な機械学習とディープラーニング技術を組み合わせた管理クレームデータを活用する可能性を検討する。 我々は、ランダムフォレストやXGBoostといった従来の機械学習手法とLong Short-Term Memory(LSTM)ネットワークのようなディープラーニングアプローチを用いて、大手医療保険会社が提供した包括的10年間のデータセットを分析し、複数の観測窓の予測モデルを開発する。 以上の結果から,LSTMモデル,特に24ヶ月の観測窓を用いた場合,ESRD進行予測において優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-18T16:03:57Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Harnessing the Power of Hugging Face Transformers for Predicting Mental Health Disorders in Social Networks [0.0]
  本研究では、ユーザ生成データを用いて精神疾患の症状を予測する方法について検討する。 本研究は,Hugging Faceの4種類のBERTモデルと標準的な機械学習技術を比較した。 新しいモデルは、最大97%の精度で以前のアプローチより優れている。
  論文  参考訳（メタデータ） (2023-06-29T12:25:19Z)
• A predictive analytics approach for stroke prediction using machine learning and neural networks [4.984181486695979]
  本稿では,脳卒中予測のための電子健康記録の諸因子を系統的に分析する。 年齢、心臓病、平均血糖値、高血圧が脳卒中を検出する最も重要な要因である。 これら4つの属性を用いたパーセプトロンニューラルネットワークは、最高精度と最低ミス率を提供する。
  論文  参考訳（メタデータ） (2022-03-01T14:45:15Z)
• Comparison of single and multitask learning for predicting cognitive decline based on MRI data [0.41998444721319217]
  アルツハイマー病評価尺度(英: Alzheimer's Disease Assessment Scale-Cognitive subscale、ADAS-Cog)は、神経心理学のツールである。 ADAS-Cogスコアの変化の予測は、認知症および無リスク集団のタイミング治療介入に役立つ可能性がある。 予測モデルを学習するための推奨方法は、単一タスク正規化線形回帰である。
  論文  参考訳（メタデータ） (2021-09-21T15:46:42Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• 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。