論文の概要: Adopting Trustworthy AI for Sleep Disorder Prediction: Deep Time Series Analysis with Temporal Attention Mechanism and Counterfactual Explanations

• arxiv url: http://arxiv.org/abs/2412.18971v1
• Date: Wed, 25 Dec 2024 19:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:25:32.630057
• Title: Adopting Trustworthy AI for Sleep Disorder Prediction: Deep Time Series Analysis with Temporal Attention Mechanism and Counterfactual Explanations
• Title（参考訳）: 睡眠障害予測に信頼できるAIを採用する:時間的注意機構と非現実的説明を用いた深部時系列分析
• Authors: Pegah Ahadian, Wei Xu, Sherry Wang, Qiang Guan,
• Abstract要約: 本研究は,3つの深部時系列モデルを用いて,睡眠障害予測のための説明可能性アプローチを行う。 睡眠の健康度を測る大規模なデータセットを用いて,本手法が睡眠障害の予測に及ぼす影響を実証した。
• 参考スコア（独自算出の注目度）: 6.861710649942465
• License:
• Abstract: Sleep disorders have a major impact on both lifestyle and health. Effective sleep disorder prediction from lifestyle and physiological data can provide essential details for early intervention. This research utilizes three deep time series models and facilitates them with explainability approaches for sleep disorder prediction. Specifically, our approach adopts Temporal Convolutional Networks (TCN), Long Short-Term Memory (LSTM) for time series data analysis, and Temporal Fusion Transformer model (TFT). Meanwhile, the temporal attention mechanism and counterfactual explanation with SHapley Additive exPlanations (SHAP) approach are employed to ensure dependable, accurate, and interpretable predictions. Finally, using a large dataset of sleep health measures, our evaluation demonstrates the effect of our method in predicting sleep disorders.
• Abstract（参考訳）: 睡眠障害は生活習慣と健康に大きな影響を及ぼす。 生活習慣と生理的データからの効果的な睡眠障害予測は、早期介入に不可欠な詳細を提供することができる。 本研究は,3つの深部時系列モデルを用いて,睡眠障害予測のための説明可能性アプローチを行う。 具体的には、時系列データ解析には、TCN(Temporal Convolutional Networks)、LSTM(Long Short-Term Memory)、TFT(Temporal Fusion Transformer Model)を採用する。 一方、SHAP(SHapley Additive ExPlanations)アプローチによる時間的注意機構と反実的説明は、信頼性、正確、解釈可能な予測を保証するために用いられる。 最後に,睡眠の健康度を測る大規模なデータセットを用いて,睡眠障害の予測における方法の効果を検証した。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Domain Invariant Representation Learning and Sleep Dynamics Modeling for Automatic Sleep Staging [6.86283473936335]
  ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。 DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。 睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2023-12-06T00:28:08Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• EEG-based Sleep Staging with Hybrid Attention [4.718295968108302]
  我々は、HASS(Hybrid Attention EEG Sleep Staging)と呼ばれる新しいフレームワークを提案する。 提案手法は,睡眠時脳波信号の空間的・時間的関係を捉えることの難しさを軽減する。
  論文  参考訳（メタデータ） (2023-05-16T15:37:32Z)
• Signal Processing Grand Challenge 2023 -- e-Prevention: Sleep Behavior as an Indicator of Relapses in Psychotic Patients [27.6075917779323]
  本稿では,精神病患者の再発検出におけるUSC SAILのシグナル処理グランドチャレンジ2023-e-Prevention(Task2)への取り組みと成果について述べる。 本研究では、非教師なし機械学習環境において、睡眠行動の特徴を用いて、再発日を外れ値として推定する。 我々の提出はタスクの公式リーダーボードで第3位にランクされ、精神的な再発の客観的かつ非侵襲的な予測因子としての可能性を示した。
  論文  参考訳（メタデータ） (2023-04-17T21:02:46Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features [5.104181562775778]
  多くの自動睡眠ステージ認識法が提案されている。 これらの手法のほとんどは、バイタル信号から抽出された時間周波数の特徴を用いる。 近年,教師なし特徴抽出にディープニューラルネットワークを用いるASSR法が提案されている。 本稿では,この2つのアイデアを組み合わせて,時間周波数と教師なしの特徴を同時に利用することを提案する。
  論文  参考訳（メタデータ） (2020-04-10T02:00:29Z)

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。