論文の概要: On the Validity of Head Motion Patterns as Generalisable Depression Biomarkers

• arxiv url: http://arxiv.org/abs/2505.23427v1
• Date: Thu, 29 May 2025 13:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.868941
• Title: On the Validity of Head Motion Patterns as Generalisable Depression Biomarkers
• Title（参考訳）: 一般的な抑うつバイオマーカーとしての頭部運動パターンの妥当性について
• Authors: Monika Gahalawat, Maneesh Bilalpur, Raul Fernandez Rojas, Jeffrey F. Cohn, Roland Goecke, Ramanathan Subramanian,
• Abstract要約: 本研究は,うつ病重症度推定のための基本頭部運動単位を用いたモデルの有効性と一般性について検討する。 異なる西欧文化からの3つの抑うつデータセットを考察し, キネムパターンの一般化可能性について検討した。 1) 頭部運動パターンは, 抑うつの重症度を推定するための効果的なバイオマーカーであり, 分類と回帰の両タスクにおいて高い競争力を発揮する。
• 参考スコア（独自算出の注目度）: 5.251042759836316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Depression is a debilitating mood disorder negatively impacting millions worldwide. While researchers have explored multiple verbal and non-verbal behavioural cues for automated depression assessment, head motion has received little attention thus far. Further, the common practice of validating machine learning models via a single dataset can limit model generalisability. This work examines the effectiveness and generalisability of models utilising elementary head motion units, termed kinemes, for depression severity estimation. Specifically, we consider three depression datasets from different western cultures (German: AVEC2013, Australian: Blackdog and American: Pitt datasets) with varied contextual and recording settings to investigate the generalisability of the derived kineme patterns via two methods: (i) k-fold cross-validation over individual/multiple datasets, and (ii) model reuse on other datasets. Evaluating classification and regression performance with classical machine learning methods, our results show that: (1) head motion patterns are efficient biomarkers for estimating depression severity, achieving highly competitive performance for both classification and regression tasks on a variety of datasets, including achieving the second best Mean Absolute Error (MAE) on the AVEC2013 dataset, and (2) kineme-based features are more generalisable than (a) raw head motion descriptors for binary severity classification, and (b) other visual behavioural cues for severity estimation (regression).
• Abstract（参考訳）: うつ病は世界数百万人に悪影響を及ぼす不安定な気分障害である。 研究者は、自動うつ病評価のために複数の言語的・非言語的行動的手がかりを探索してきたが、頭の動きは今のところほとんど注目されていない。 さらに、単一のデータセットによる機械学習モデルの検証の一般的なプラクティスは、モデルの一般化可能性を制限することができる。 本研究は,うつ病重症度推定のための基本頭部運動単位を用いたモデルの有効性と一般性について検討する。 具体的には,異なる西欧文化(AVEC2013,Australian: Blackdog and American: Pitt datasets)から得られた3つの抑うつデータセットについて考察する。 (i)個別/複数データセット上のk-foldクロスバリデーション (ii)他のデータセットでのモデルの再利用。 従来の機械学習手法による分類と回帰性能の評価では,(1)頭の動きパターンは抑うつの重症度を推定するための効率的なバイオマーカーであり,(2)頭の動きパターンはAVEC2013データセットにおける第2の最良の平均絶対誤差(MAE)の達成を含む,多種多様なデータセットにおける分類および回帰タスクの高い競争性能を達成する。 (a)二分重度分類のための生の頭部運動記述子、及び (b)重度推定のための他の視覚行動的手がかり(回帰)

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Explainable Depression Detection via Head Motion Patterns [13.950923529777803]
  本研究は,2つの異なるアプローチを採用することにより,抑うつ検出のための基本的な頭部運動単位であるEmphkinemesの有用性を実証する。 我々は,emphBlackDogとemphAVEC2013データセットの抑うつ分類性能を評価する。
  論文  参考訳（メタデータ） (2023-07-23T06:39:51Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Deep Temporal Modelling of Clinical Depression through Social Media Text [1.513693945164213]
  ユーザの時間的ソーシャルメディア投稿に基づいて,ユーザレベルの臨床うつ病を検出するモデルを構築した。 本モデルでは,うつ病症状に対する医用注釈付きツイートの最大のサンプルをもとに訓練した,うつ病検出(DSD)分類器を用いた。
  論文  参考訳（メタデータ） (2022-10-28T18:31:52Z)
• Using Explainable Boosting Machine to Compare Idiographic and Nomothetic Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
  本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。 木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。 2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
  論文  参考訳（メタデータ） (2022-04-04T17:56:37Z)
• Robust Hierarchical Patterns for identifying MDD patients: A Multisite Study [3.4561220135252264]
  大うつ病(MDD)のバイオマーカーとしての階層的スパース接続パターン(h SCP)について検討する。 我々は、静止状態fMRIデータから抽出した機能的接続行列からMDD患者を予測するためのh SCPに基づく新しいモデルを提案する。 本研究の結果は,多様性が予測性能に与える影響を示し,多様性を低減し,コンポーネントの予測・一般化能力を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-22T19:40:32Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• 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)

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。