論文の概要: Predicting Human Depression with Hybrid Data Acquisition utilizing Physical Activity Sensing and Social Media Feeds

• arxiv url: http://arxiv.org/abs/2505.22779v1
• Date: Wed, 28 May 2025 18:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.48878
• Title: Predicting Human Depression with Hybrid Data Acquisition utilizing Physical Activity Sensing and Social Media Feeds
• Title（参考訳）: 身体活動センシングとソーシャルメディアフィードを用いたハイブリッドデータ獲得による抑うつ予測
• Authors: Mohammad Helal Uddin, Sabur Baidya,
• Abstract要約: うつ病、不安、その他の神経疾患などの精神障害は、世界的な大きな課題となっている。 本研究では,日々の身体活動を測定し,ソーシャルメディア(Twitter)のインタラクションを分析するスマートフォンセンサデータを活用するハイブリッドアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.526063342028482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mental disorders including depression, anxiety, and other neurological disorders pose a significant global challenge, particularly among individuals exhibiting social avoidance tendencies. This study proposes a hybrid approach by leveraging smartphone sensor data measuring daily physical activities and analyzing their social media (Twitter) interactions for evaluating an individual's depression level. Using CNN-based deep learning models and Naive Bayes classification, we identify human physical activities accurately and also classify the user sentiments. A total of 33 participants were recruited for data acquisition, and nine relevant features were extracted from the physical activities and analyzed with their weekly depression scores, evaluated using the Geriatric Depression Scale (GDS) questionnaire. Of the nine features, six are derived from physical activities, achieving an activity recognition accuracy of 95%, while three features stem from sentiment analysis of Twitter activities, yielding a sentiment analysis accuracy of 95.6%. Notably, several physical activity features exhibited significant correlations with the severity of depression symptoms. For classifying the depression severity, a support vector machine (SVM)-based algorithm is employed that demonstrated a very high accuracy of 94%, outperforming alternative models, e.g., the multilayer perceptron (MLP) and k-nearest neighbor. It is a simple approach yet highly effective in the long run for monitoring depression without breaching personal privacy.
• Abstract（参考訳）: うつ病、不安、その他の神経疾患を含む精神障害は、特に社会的回避傾向を示す個人の間で、重要な世界的な課題となっている。 本研究では,日々の身体活動を測定するスマートフォンセンサデータを活用し,そのソーシャルメディア(Twitter)インタラクションを分析し,個人のうつ状態を評価するハイブリッドアプローチを提案する。 CNNに基づくディープラーニングモデルとネイブベイズ分類を用いて、人間の身体活動を正確に識別し、ユーザの感情を分類する。 調査対象は, 合計33名であり, 身体活動から9つの特徴を抽出し, 週次うつ病スコアを用いて分析し, 老年性抑うつ尺度 (GDS) を用いて評価した。 9つの特徴のうち6つは身体活動から派生し、95%の行動認識精度を達成する一方、3つの特徴はTwitter活動の感情分析に起因し、95.6%の感情分析精度をもたらす。 特に身体活動の特徴はうつ病症状の重症度と有意な相関を示した。 うつ病重症度を分類するために、サポートベクターマシン(SVM)ベースのアルゴリズムを用いて、非常に高い精度の94%の代替モデル、例えば、多層パーセプトロン(MLP)、k-アネレスト隣りのモデルを用いた。 これは、個人のプライバシーを侵害することなく、うつ状態を監視するために、長期的には極めて効果的である単純なアプローチである。

関連論文リスト

• Measuring Anxiety Levels with Head Motion Patterns in Severe Depression Population [4.310167974376404]
  本研究では,頭部の動きを解析して不安度を定量化する新しい非侵襲的手法を提案する。 臨床的に評価された不安レベルを予測するため,頭部運動特性と回帰分析を適用した。 その結果,心理的不安の重症度を予測する上で,平均絶対誤差(MAE)が0.35と高い精度を示した。
  論文  参考訳（メタデータ） (2025-02-12T21:55:26Z)
• 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)
• A Hybrid Approach for Depression Classification: Random Forest-ANN Ensemble on Motor Activity Signals [4.798808180453298]
  ウェアラブルセンサーは、メンタルヘルスの問題を追跡し、理解する潜在的な手段を提供する。 近年の研究では、これらのセンサーと機械学習の手法を併用して、異なる精神状態に関連するパターンを特定している。 本稿では、うつ病患者のセンサデータを評価するために最適化されたHybrid Random forest - Neural Networkと呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T17:39:35Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Depression Diagnosis and Forecast based on Mobile Phone Sensor Data [47.93070579578704]
  これまでの研究では、携帯電話から収集したセンサデータとヒトのうつ状態の相関が示されている。 本研究では,携帯電話データから電話,電話利用,ユーザ活動,GPS機能を含む4種類の受動的特徴を抽出する。 我々は、診断と予測タスクの両方をモデル化するために、主観非依存の10倍のクロスバリデーション設定に長寿命メモリ(LSTM)ネットワークを実装した。
  論文  参考訳（メタデータ） (2022-05-10T10:05:36Z)
• Data set creation and empirical analysis for detecting signs of depression from social media postings [0.0]
  うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。 我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
  論文  参考訳（メタデータ） (2022-02-07T10:24:33Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• 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)

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。