論文の概要: Predicting Mild Cognitive Impairment Using Naturalistic Driving and Trip Destination Modeling

• arxiv url: http://arxiv.org/abs/2504.09027v2
• Date: Sat, 21 Jun 2025 03:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 14:54:00.264906
• Title: Predicting Mild Cognitive Impairment Using Naturalistic Driving and Trip Destination Modeling
• Title（参考訳）: 自然主義運転とトリプ決定モデルを用いた軽度認知障害の予測
• Authors: Souradeep Chattopadhyay, Guillermo Basulto-Elias, Jun Ha Chang, Matthew Rizzo, Shauna Hallmark, Anuj Sharma, Soumik Sarkar,
• Abstract要約: 本研究は,ネブラスカ州における高齢ドライバーの運転習慣を分析するために,自宅,職場,医療アポイントメント,社会活動,過激なジオハッシングなどの特定の旅行先を取り入れた新しいアプローチを提案する。 C5.0、ランダムフォレスト、サポートベクターマシンなどの先進的な機械学習モデルとデータ視覚化を組み合わせた2倍の方法論を用いて、認知障害の予測におけるこれらの位置ベース変数の有効性を評価した。
• 参考スコア（独自算出の注目度）: 6.66498412613475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the relationship between mild cognitive impairment (MCI) and driving behavior is essential for enhancing road safety, particularly among older adults. This study introduces a novel approach by incorporating specific trip destinations-such as home, work, medical appointments, social activities, and errands-using geohashing to analyze the driving habits of older drivers in Nebraska. We employed a two-fold methodology that combines data visualization with advanced machine learning models, including C5.0, Random Forest, and Support Vector Machines, to assess the effectiveness of these location-based variables in predicting cognitive impairment. Notably, the C5.0 model showed a robust and stable performance, achieving a median recall of 0.68, which indicates that our methodology accurately identifies cognitive impairment in drivers 68\% of the time. This emphasizes our model's capacity to reduce false negatives, a crucial factor given the profound implications of failing to identify impaired drivers. Our findings underscore the innovative use of life-space variables in understanding and predicting cognitive decline, offering avenues for early intervention and tailored support for affected individuals.
• Abstract（参考訳）: 軽度認知障害(MCI)と運転行動の関係を理解することは,特に高齢者の道路安全向上に不可欠である。 本研究は,ネブラスカ州における高齢ドライバーの運転習慣を分析するために,自宅,職場,医療アポイントメント,社会活動,過激なジオハッシングなどの特定の旅行先を取り入れた新しいアプローチを提案する。 C5.0、ランダムフォレスト、サポートベクターマシンなどの先進的な機械学習モデルとデータ視覚化を組み合わせた2倍の方法論を用いて、認知障害の予測におけるこれらの位置ベース変数の有効性を評価した。 特に,C5.0モデルでは,運転者の認知障害を68%の精度で評価し,0.68の中央値リコールを達成した。 これは、障害のあるドライバーを識別できないことの重大な影響を考えると、私たちのモデルが偽陰性を減らす能力を強調します。 本研究は,認知低下の理解と予測における生活空間変数の革新的利用,早期介入への道のり,被災者への支援の仕方について考察した。

関連論文リスト

• Driver Age and Its Effect on Key Driving Metrics: Insights from Dynamic Vehicle Data [2.3072218701168166]
  2030年までに65歳以上の高齢者は50%以上増加し、道路上の高齢者の数が大幅に増加すると予想されている。 70人以上のドライバーは、40代や50代よりも死亡率が高い。
  論文  参考訳（メタデータ） (2025-01-12T20:01:07Z)
• Masked EEG Modeling for Driving Intention Prediction [27.606175591082756]
  本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。 本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。 本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
  論文  参考訳（メタデータ） (2024-08-08T03:49:05Z)
• In-vehicle Sensing and Data Analysis for Older Drivers with Mild Cognitive Impairment [0.8426358786287627]
  本研究の目的は、高精度の位置決めとテレマティクスデータを得ることができる低コストの車内センシングハードウェアを設計することである。 軽度認知障害(MCI)と軽度認知障害(MCI)を比較した統計的分析の結果,MCIはよりスムーズで安全な運転パターンを示すことが明らかとなった。 我々のランダムフォレストモデルでは、夜間旅行の数、旅行数、教育がデータ評価に最も影響を及ぼす要因として特定されました。
  論文  参考訳（メタデータ） (2023-11-15T15:47:24Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• Assessing cognitive function among older adults using machine learning and wearable device data: a feasibility study [3.0872517448897465]
  健常成人と認知不良高齢者を区別する予測モデルを開発した。 活動と睡眠パラメータは、他の認知流速と比較して、処理速度、作業記憶、注意に強く関連していた。
  論文  参考訳（メタデータ） (2023-08-28T00:07:55Z)
• Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data [40.43737902900321]
  性能データを駆動する作業負荷推定の問題に対処する。 心的負荷を誘発する主要な環境要因をビデオ解析により同定する。 教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。 ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
  論文  参考訳（メタデータ） (2023-03-26T13:15:44Z)
• Estimating Driver Personality Traits from On-Road Driving Data [1.4330510916280879]
  本稿では,運転支援システムにおける運転データを用いた運転者の心理的特徴の推定に焦点をあてる。 本研究では,認知機能,心理的運転スタイル,作業負荷感などのドライバの心理的特徴を推定するモデルを構築した。
  論文  参考訳（メタデータ） (2023-02-09T20:46:46Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• 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)
• Driving-Signal Aware Full-Body Avatars [49.89791440532946]
  そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。 我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。 仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-21T16:22:38Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)

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。