論文の概要: Extending Stress Detection Reproducibility to Consumer Wearable Sensors

• arxiv url: http://arxiv.org/abs/2505.05694v1
• Date: Fri, 09 May 2025 00:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.108038
• Title: Extending Stress Detection Reproducibility to Consumer Wearable Sensors
• Title（参考訳）: 消費者ウェアラブルセンサの応力検出再現性の向上
• Authors: Ohida Binte Amin, Varun Mishra, Tinashe M. Tapera, Robert Volpe, Aarti Sathyanarayana,
• Abstract要約: 調査対象のデバイスを消費者ウェアラブルと比較し,デバイス固有のストレス検出性能を評価した。 Biopac MP160は最高の性能を発揮しました。 Garmin Forerunner 55は実世界のストレスモニタリングに強い可能性を実証した。
• 参考スコア（独自算出の注目度）: 0.9591571123059931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable sensors are widely used to collect physiological data and develop stress detection models. However, most studies focus on a single dataset, rarely evaluating model reproducibility across devices, populations, or study conditions. We previously assessed the reproducibility of stress detection models across multiple studies, testing models trained on one dataset against others using heart rate (with R-R interval) and electrodermal activity (EDA). In this study, we extended our stress detection reproducibility to consumer wearable sensors. We compared validated research-grade devices, to consumer wearables - Biopac MP160, Polar H10, Empatica E4, to the Garmin Forerunner 55s, assessing device-specific stress detection performance by conducting a new stress study on undergraduate students. Thirty-five students completed three standardized stress-induction tasks in a lab setting. Biopac MP160 performed the best, being consistent with our expectations of it as the gold standard, though performance varied across devices and models. Combining heart rate variability (HRV) and EDA enhanced stress prediction across most scenarios. However, Empatica E4 showed variability; while HRV and EDA improved stress detection in leave-one-subject-out (LOSO) evaluations (AUROC up to 0.953), device-specific limitations led to underperformance when tested with our pre-trained stress detection tool (AUROC 0.723), highlighting generalizability challenges related to hardware-model compatibility. Garmin Forerunner 55s demonstrated strong potential for real-world stress monitoring, achieving the best mental arithmetic stress detection performance in LOSO (AUROC up to 0.961) comparable to research-grade devices like Polar H10 (AUROC 0.954), and Empatica E4 (AUROC 0.905 with HRV-only model and AUROC 0.953 with HRV+EDA model), with the added advantage of consumer-friendly wearability for free-living contexts.
• Abstract（参考訳）: ウェアラブルセンサーは、生理的データを収集し、ストレス検出モデルを開発するために広く使用されている。 しかしながら、ほとんどの研究は単一のデータセットに焦点を当てており、デバイス、人口、研究条件のモデル再現性を評価することはめったにない。 我々は以前、複数の研究でストレス検出モデルの再現性を評価し、心拍数(R-R間隔)と電磁気活動(EDA)を用いて、あるデータセットで訓練されたモデルと他のデータセットとを比較した。 本研究では,消費者ウェアラブルセンサにストレス検出再現性を拡張した。 調査対象のデバイスを,Biopac MP160, Polar H10, Empatica E4, Garmin Forerunner 55sと比較した。 実験室では、35人の学生が3つの標準化されたストレス誘発タスクを完了した。 Biopac MP160は最高の性能を発揮しました。 心拍変動(HRV)とEDAを組み合わせることで、ほとんどのシナリオにおけるストレス予測が強化された。 しかし、Empatica E4は変動を示し、HRVとEDAはLOSO(Left-one-subject-out)評価(AUROC 0.953まで)においてストレス検出を改善したが、デバイス固有の制限は、事前訓練されたストレス検出ツール(AUROC 0.723)でテストした場合、性能が低下し、ハードウェアモデルとの互換性に関する一般化性の課題が浮き彫りになった。 Garmin Forerunner 55は、Pola H10(AUROC 0.954)やEmpatica E4(AUROC 0.905、HRV専用モデル、AUROC 0.953、HRV+EDAモデル)に匹敵する、LOSO(AUROC 0.961まで)における最高のメンタルな算術的ストレス検出性能を達成することで、実世界のストレスモニタリングの強力な可能性を示した。

関連論文リスト

• Cross-Modality Investigation on WESAD Stress Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-26T01:04:58Z)
• 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)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• 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)
• 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)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• An optimized hybrid solution for IoT based lifestyle disease classification using stress data [2.3909933791900326]
  提案手法は、被験者の心電図(ECG)、ガルバニック皮膚値(GSV)、HRV値、体の動きを測定するテストを用いている。 開発したアプローチは、WASADデータセットを使用して、クラス不均衡問題に対処することができる。
  論文  参考訳（メタデータ） (2022-04-04T05:52:48Z)
• 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)
• Personalized Stress Monitoring using Wearable Sensors in Everyday Settings [9.621481727547215]
  心拍数(HR)と心拍変動率(HRV)に基づく日常生活ストレスレベルの客観的予測について検討する。 本稿では、ラベル付けのためのデータサンプルの調整可能なコレクションをサポートする、個人化されたストレス監視のための階層化システムアーキテクチャと、ラベル付けのためのリアルタイムデータのストリームから情報化サンプルを選択する方法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T04:15:15Z)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。