論文の概要: A Wearable Device Dataset for Mental Health Assessment Using Laser Doppler Flowmetry and Fluorescence Spectroscopy Sensors
- arxiv url: http://arxiv.org/abs/2502.00973v1
- Date: Mon, 03 Feb 2025 00:51:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:53:36.153560
- Title: A Wearable Device Dataset for Mental Health Assessment Using Laser Doppler Flowmetry and Fluorescence Spectroscopy Sensors
- Title(参考訳): レーザードップラー流量計と蛍光分光センサを用いたメンタルヘルスアセスメントのためのウェアラブルデバイスデータセット
- Authors: Minh Ngoc Nguyen, Khai Le-Duc, Tan-Hanh Pham, Trang Nguyen, Quang Minh Luu, Ba Kien Tran, Truong-Son Hy, Viktor Dremin, Sergei Sokolovsky, Edik Rafailov,
- Abstract要約: 本稿では,LDF(Laser Doppler Flowmetry)とFS(Fluorescence Spectroscopy)センサーを備えた非侵襲ウェアラブルデバイスにおいて,機械学習モデルを構築し,メンタルヘルスを予測する新しい手法を提案する。
DAS-21の質問紙から,抑うつ,不安,ストレスレベルなどのメンタルヘルスを予測するためのデータセットを提示した。
以上の結果から,女性,若年者,BMI(Body Mass Index)あるいは心拍数が高い者は,ストレスや不安などのメンタルヘルスを経験する可能性が示唆された。
- 参考スコア(独自算出の注目度): 1.4137557519215906
- License:
- Abstract: In this study, we introduce a novel method to predict mental health by building machine learning models for a non-invasive wearable device equipped with Laser Doppler Flowmetry (LDF) and Fluorescence Spectroscopy (FS) sensors. Besides, we present the corresponding dataset to predict mental health, e.g. depression, anxiety, and stress levels via the DAS-21 questionnaire. To our best knowledge, this is the world's largest and the most generalized dataset ever collected for both LDF and FS studies. The device captures cutaneous blood microcirculation parameters, and wavelet analysis of the LDF signal extracts key rhythmic oscillations. The dataset, collected from 132 volunteers aged 18-94 from 19 countries, explores relationships between physiological features, demographics, lifestyle habits, and health conditions. We employed a variety of machine learning methods to classify stress detection, in which LightGBM is identified as the most effective model for stress detection, achieving a ROC AUC of 0.7168 and a PR AUC of 0.8852. In addition, we also incorporated Explainable Artificial Intelligence (XAI) techniques into our analysis to investigate deeper insights into the model's predictions. Our results suggest that females, younger individuals and those with a higher Body Mass Index (BMI) or heart rate have a greater likelihood of experiencing mental health conditions like stress and anxiety. All related code and data are published online: https://github.com/leduckhai/Wearable_LDF-FS.
- Abstract(参考訳): 本研究では,LDF(Laser Doppler Flowmetry)とFS(Fluorescence Spectroscopy)センサーを備えた非侵襲ウェアラブルデバイスにおいて,機械学習モデルを構築し,メンタルヘルスを予測する新しい手法を提案する。
さらに,DAS-21アンケートを通じて,精神保健,うつ病,不安,ストレスレベルを予測するためのデータセットを提示した。
我々の知る限り、このデータセットは LDF と FS の研究で収集された史上最大かつ最も一般化されたデータセットである。
皮膚微小循環パラメータを捕捉し、LDF信号のウェーブレット解析によりキーリズム振動を抽出する。
このデータセットは、19カ国から18~94歳のボランティア132名から収集され、生理的特徴、人口統計、生活習慣、健康状態の関係について調査している。
我々は、ストレス検出の最も効果的なモデルとしてLightGBMを同定し、OC AUC 0.7168 とPR AUC 0.8852 を達成した、様々な機械学習手法を用いて、ストレス検出の分類を行った。
さらに、モデル予測に関する深い洞察を得るために、説明可能な人工知能(XAI)技術も分析に取り入れました。
以上の結果から,女性,若年者,BMI(Body Mass Index)あるいは心拍数が高い者は,ストレスや不安などのメンタルヘルスを経験する可能性が示唆された。
すべての関連コードとデータはオンラインで公開されている。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳(メタデータ) (2024-11-14T17:06:00Z) - 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) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳(メタデータ) (2024-07-10T19:17:23Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳(メタデータ) (2024-05-13T17:49:20Z) - Machine Learning-based Estimation of Respiratory Fluctuations in a Healthy Adult Population using BOLD fMRI and Head Motion Parameters [39.96015789655091]
多くのfMRI研究では、呼吸信号が欠如しているか、品質が悪いことがしばしばある。
周辺記録装置を必要とせずに、fMRIデータから直接呼吸変動(RV)波形を抽出するツールを持つことは、非常に有益である。
本研究では,頭部運動パラメータとBOLD信号を用いたRV波形再構成のためのCNNモデルを提案する。
論文 参考訳(メタデータ) (2024-04-30T21:53:11Z) - Respiratory Disease Classification and Biometric Analysis Using Biosignals from Digital Stethoscopes [3.2458203725405976]
本研究は, 自動呼吸器疾患分類とバイオメトリックス解析にデジタル聴診器技術を活用した新しいアプローチを提案する。
各種呼吸状態の分類に機械学習モデルを訓練する。
本研究は,2値分類の精度(健康と疾患のバランス精度89%)と多値分類の精度(72%)を実現している。
論文 参考訳(メタデータ) (2023-09-12T23:54:00Z) - Remote Bio-Sensing: Open Source Benchmark Framework for Fair Evaluation
of rPPG [2.82697733014759]
r(pg photoplethysmography)は、カメラで捉えたヘモグロビンの光吸収特性を用いてBVP(Blood Volume Pulse)を測定し、分析する技術である。
本研究は,多種多様なデータセットを対象とした様々なrベンチマーク手法の評価を行い,妥当性評価と比較を行うためのフレームワークを提供することを目的とする。
論文 参考訳(メタデータ) (2023-07-24T09:35:47Z) - Classification of Stress via Ambulatory ECG and GSR Data [0.0]
本研究は, 自己申告されたストレスアノテーションを用いた実験室で記録された生理的データを用いて, ストレスを検出するためのいくつかのアプローチを実験的に評価する。
最適応力検出法は90.77%の分類精度、91.24 F1-サブミッション、90.42感度、91.08特異性を達成する。
論文 参考訳(メタデータ) (2022-07-19T15:57:14Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z) - 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) - Fine-grain atlases of functional modes for fMRI analysis [21.281361743023403]
人口画像は機能的画像データセットのサイズを著しく増加させ、個体間差の神経基盤に新たな光を放つ。
そのため、脳画像は通常、脳のアトラスや機能モードによるボクセルレベルの測定を減少させるなど、いくつかの信号で要約される。
我々は64から1024のネットワークから構成される機能モードの細かな解決されたアトラスに貢献する。
これらの機能モードの辞書は、総サイズ2.4TBの何百万ものfMRI機能脳のボリュームで訓練されており、27以上の研究と多くの研究グループにまたがっている。
論文 参考訳(メタデータ) (2020-03-05T12:04:12Z)
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。