論文の概要: Are Anxiety Detection Models Generalizable? A Cross-Activity and Cross-Population Study Using Wearables

• arxiv url: http://arxiv.org/abs/2504.03695v1
• Date: Mon, 24 Mar 2025 11:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:53:00.185272
• Title: Are Anxiety Detection Models Generalizable? A Cross-Activity and Cross-Population Study Using Wearables
• Title（参考訳）: 不安検出モデルは一般化可能か? ウェアラブルを用いたクロスアクティブ・クロスプロポーテーション研究
• Authors: Nilesh Kumar Sahu, Snehil Gupta, Haroon R Lone,
• Abstract要約: 公言のような不安を引き起こす活動は、不安障害を持つ人の不安反応を高める可能性がある。 近年の研究では、心電図(ECG)や心電図活動(EDA)などの生理学的信号を用いて、機械学習モデルを用いて、そのような状況における不安を検出することが示唆されている。
• 参考スコア（独自算出の注目度）: 0.028251406225581324
• License:
• Abstract: Anxiety-provoking activities, such as public speaking, can trigger heightened anxiety responses in individuals with anxiety disorders. Recent research suggests that physiological signals, including electrocardiogram (ECG) and electrodermal activity (EDA), collected via wearable devices, can be used to detect anxiety in such contexts through machine learning models. However, the generalizability of these anxiety prediction models across different activities and diverse populations remains underexplored-an essential step for assessing model bias and fostering user trust in broader applications. To address this gap, we conducted a study with 111 participants who engaged in three anxiety-provoking activities. Utilizing both our collected dataset and two well-known publicly available datasets, we evaluated the generalizability of anxiety detection models within participants (for both same-activity and cross-activity scenarios) and across participants (within-activity and cross-activity). In total, we trained and tested more than 3348 anxiety detection models (using six classifiers, 31 feature sets, and 18 train-test configurations). Our results indicate that three key metrics-AUROC, recall for anxious states, and recall for non-anxious states-were slightly above the baseline score of 0.5. The best AUROC scores ranged from 0.62 to 0.73, with recall for the anxious class spanning 35.19% to 74.3%. Interestingly, model performance (as measured by AUROC) remained relatively stable across different activities and participant groups, though recall for the anxious class did exhibit some variation.
• Abstract（参考訳）: 公言のような不安を引き起こす活動は、不安障害を持つ人の不安反応を高める可能性がある。 近年の研究では、ウェアラブルデバイスを介して収集された心電図(ECG)や心電図活動(EDA)などの生理的信号を用いて、機械学習モデルを用いて、そのようなコンテキストにおける不安を検出することが示唆されている。 しかし、これらの不安予測モデルを様々な活動や多様な集団にわたって一般化することは、モデルバイアスを評価し、より広範なアプリケーションに対するユーザの信頼を高めるための重要なステップである。 このギャップに対処するため,3つの不安誘発活動に従事した111人の被験者を対象に調査を行った。 収集したデータセットと2つのよく知られた公開データセットを用いて、参加者内の不安検出モデルの一般化可能性(同一アクティビティとクロスアクティビティの両方のシナリオ)と参加者間の(非アクティビティとクロスアクティビティの両方)を評価した。 合計で3348以上の不安検出モデル(6つの分類器、31の特徴セット、18のトレインテスト構成)をトレーニングし、テストした。 その結果,AUROC,不安状態のリコール,不安状態のリコールの3つの指標は,ベースラインスコアの0.5よりわずかに高いことがわかった。 AUROCの最高スコアは0.62から0.73で、不安なクラスは35.19%から74.3%だった。 興味深いことに、(AUROCが測定した)モデルパフォーマンスは、様々な活動や参加者グループで比較的安定していたが、不安なクラスへのリコールにはいくつかのバリエーションがあった。

関連論文リスト

• Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
  英国在住の一般住民10,129名のデータを横断的に分析した。 参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。 気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
  論文  参考訳（メタデータ） (2024-09-24T16:05:17Z)
• Machine Learning to Detect Anxiety Disorders from Error-Related Negativity and EEG Signals [6.568471315961233]
  本稿では,脳波とERNマーカーを用いた不安検出に関する54の研究論文を体系的にレビューする。 我々の分析では、サポートベクターマシンやランダムフォレストなど、従来の機械学習が広く使われていることを強調している。 分析の結果, 現実の課題に対処するためには, 堅牢で汎用的な不安予測手法の開発が必要であることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-16T14:55:47Z)
• Investigating the Generalizability of Physiological Characteristics of Anxiety [3.4036712573981607]
  不安やストレスと高覚醒感情との関連が示された生理的特徴の一般化可能性を評価する。 この研究は、心電図やEDA信号からストレスと覚醒を横断する最初のクロスコーパス評価であり、ストレス検出の一般化性に関する新たな発見に寄与した。
  論文  参考訳（メタデータ） (2024-01-23T16:49:54Z)
• Personalized State Anxiety Detection: An Empirical Study with Linguistic Biomarkers and A Machine Learning Pipeline [7.512067061195175]
  社会不安の症状が高い人は、しばしば社会的状況における状態不安の上昇を示す。 デジタルバイオマーカーと機械学習技術を利用して、状態の不安を検出することが可能である。
  論文  参考訳（メタデータ） (2023-04-19T19:06:42Z)
• 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)
• ACP++: Action Co-occurrence Priors for Human-Object Interaction Detection [102.9428507180728]
  ヒューマン・オブジェクト・インタラクション(HOI)検出のタスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関関係と反相関が存在することを観察した。 我々は、これらの先行知識を学習し、特に稀なクラスにおいて、より効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2021-09-09T06:02:50Z)
• Machine Learning Based Anxiety Detection in Older Adults using Wristband Sensors and Context Feature [1.52292571922932]
  本手法は,1つの生理的信号の特徴と実験的文脈に基づく特徴を組み合わせ,不安検出手法を提案する。 本研究は, 高齢者の不安の長期モニタリングを容易にするために, 低コストのコンシューマーデバイスを用いた不安検知手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2021-06-06T03:17:29Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• Detecting Human-Object Interactions with Action Co-occurrence Priors [108.31956827512376]
  人-物間相互作用(HOI)検出タスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関と反相関が存在することを観察した。 我々はこれらの先行知識を学習し、特に稀なクラスにおいてより効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T02:47:45Z)
• 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。