Fugu-MT 論文翻訳(概要): Cross-Modality Investigation on WESAD Stress Classification

論文の概要: Cross-Modality Investigation on WESAD Stress Classification

arxiv url: http://arxiv.org/abs/2502.18733v1
Date: Wed, 26 Feb 2025 01:04:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-27 15:24:46.339298
Title: Cross-Modality Investigation on WESAD Stress Classification
Title（参考訳）: WESAD応力分類の経時的解析
Authors: Eric Oliver, Sagnik Dakshit,
Abstract要約: 本研究では、WESADデータセットを用いたストレス検出のためのトランスフォーマーモデル、心電図(ECG)、心電図(EDA)、筋電図(EMG)、呼吸速度(RESP)、温度(TEMP)、3軸加速度計(ACC)信号のトレーニングを開発した。その結果, 単モード変圧器による生理的信号の解析, 精度, 精度およびリコール値が99.73%$から99.95%$の範囲で達成された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning's growing prevalence has driven its widespread use in healthcare, where AI and sensor advancements enhance diagnosis, treatment, and monitoring. In mobile health, AI-powered tools enable early diagnosis and continuous monitoring of conditions like stress. Wearable technologies and multimodal physiological data have made stress detection increasingly viable, but model efficacy depends on data quality, quantity, and modality. This study develops transformer models for stress detection using the WESAD dataset, training on electrocardiograms (ECG), electrodermal activity (EDA), electromyography (EMG), respiration rate (RESP), temperature (TEMP), and 3-axis accelerometer (ACC) signals. The results demonstrate the effectiveness of single-modality transformers in analyzing physiological signals, achieving state-of-the-art performance with accuracy, precision and recall values in the range of $99.73\%$ to $99.95\%$ for stress detection. Furthermore, this study explores cross-modal performance and also explains the same using 2D visualization of the learned embedding space and quantitative analysis based on data variance. Despite the large body of work on stress detection and monitoring, the robustness and generalization of these models across different modalities has not been explored. This research represents one of the initial efforts to interpret embedding spaces for stress detection, providing valuable information on cross-modal performance.
Abstract（参考訳）: ディープラーニングの普及は、AIとセンサーの進歩によって診断、治療、モニタリングが強化される医療で広く使われるようになった。モバイルの健康では、AIを利用したツールはストレスなどの状態を早期に診断し、継続的に監視する。ウェアラブル技術とマルチモーダル生理データにより、ストレス検出はますます可能になっているが、モデルの有効性はデータの品質、量、モダリティに依存する。本研究では、WESADデータセットを用いたストレス検出のためのトランスフォーマーモデル、心電図(ECG)、心電図(EDA)、筋電図(EMG)、呼吸速度(RESP)、温度(TEMP)、3軸加速度計(ACC)信号のトレーニングを開発した。その結果, 単モード変圧器による生理的信号の解析, 精度, 精度およびリコール値が99.73 %から99.95 %の範囲で達成された。さらに, クロスモーダルな性能について検討し, 学習した埋め込み空間の2次元可視化と, データの分散に基づく定量的解析を用いて検討した。ストレス検出とモニタリングに関する多くの研究にもかかわらず、これらのモデルの様々なモードにわたる堅牢性と一般化は研究されていない。本研究は, 応力検出のための埋め込み空間を解釈するための最初の取り組みの1つであり, クロスモーダル性能に関する貴重な情報を提供する。

関連論文リスト

Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文参考訳（メタデータ） (2025-02-10T13:33:12Z)
Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文参考訳（メタデータ） (2024-12-17T18:07:40Z)
Tracing Human Stress from Physiological Signals using UWB Radar [31.246225867596337]
本稿では,人間のストレス状態の連続検出を重視したストレス追跡問題を正式に定義する。 DSTと呼ばれる新しい応力追跡法が提案されている。実験の結果,提案手法は人間のストレス状態の追跡において,すべてのベースラインを著しく上回ることがわかった。
論文参考訳（メタデータ） (2024-10-14T04:47:16Z)
Seamless Monitoring of Stress Levels Leveraging a Universal Model for Time Sequences [4.308104021015939]
本稿では,時系列の普遍モデルUniTSに基づくリストバンドからのストレス検出手法を提案する。提案手法は,3つのベンチマークデータセットにおいて,トップパフォーマンス手法をかなり上回っていることを示す。
論文参考訳（メタデータ） (2024-07-04T10:46:09Z)
Stressor Type Matters! -- Exploring Factors Influencing Cross-Dataset Generalizability of Physiological Stress Detection [5.304745246313982]
本研究では,2次応力検出のためのHRV機能に基づいて学習した機械学習モデルの一般化可能性について検討する。以上の結果から,モデル一般化可能性に重要な因子であるストレスタイプが示唆された。我々は、新しい環境にHRVベースのストレスモデルを展開する際に、ストレスタイプをマッチングすることを推奨する。
論文参考訳（メタデータ） (2024-05-06T14:47:48Z)
Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文参考訳（メタデータ） (2024-01-19T16:26:35Z)
Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文参考訳（メタデータ） (2023-10-24T11:34:15Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
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)
Analysing the Performance of Stress Detection Models on Consumer-Grade Wearable Devices [9.580380455705397]
ストレスレベルは、メンタルヘルス分析のための貴重なデータと、アノテーションシステムのためのラベルを提供することができる。低分解能エレクトロミカルアクティビティ(EDA)信号を用いてストレスパターンを識別する可能性についての研究は乏しい。
論文参考訳（メタデータ） (2022-03-18T00:36:27Z)
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)

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。