論文の概要: Benchmarking Early Agitation Prediction in Community-Dwelling People with Dementia Using Multimodal Sensors and Machine Learning

• arxiv url: http://arxiv.org/abs/2506.06306v1
• Date: Fri, 23 May 2025 22:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.039446
• Title: Benchmarking Early Agitation Prediction in Community-Dwelling People with Dementia Using Multimodal Sensors and Machine Learning
• Title（参考訳）: 認知症高齢者におけるマルチモーダルセンサと機械学習を用いた早期扇動予測のベンチマーク
• Authors: Ali Abedi, Charlene H. Chu, Shehroz S. Khan,
• Abstract要約: 扇動は認知症に罹患する人々の最も一般的な反応行動の1つである。 動揺のタイムリーな予測は早期介入を可能にし、介護者の負担を軽減し、患者と介護者の双方の生活の質を向上させる。 本研究の目的は,認知症高齢者の動揺を早期に予測するための機械学習アプローチを開発し,評価することである。
• 参考スコア（独自算出の注目度）: 2.166000001057538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agitation is one of the most common responsive behaviors in people living with dementia, particularly among those residing in community settings without continuous clinical supervision. Timely prediction of agitation can enable early intervention, reduce caregiver burden, and improve the quality of life for both patients and caregivers. This study aimed to develop and benchmark machine learning approaches for the early prediction of agitation in community-dwelling older adults with dementia using multimodal sensor data. A new set of agitation-related contextual features derived from activity data was introduced and employed for agitation prediction. A wide range of machine learning and deep learning models was evaluated across multiple problem formulations, including binary classification for single-timestamp tabular sensor data and multi-timestamp sequential sensor data, as well as anomaly detection for single-timestamp tabular sensor data. The study utilized the Technology Integrated Health Management (TIHM) dataset, the largest publicly available dataset for remote monitoring of people living with dementia, comprising 2,803 days of in-home activity, physiology, and sleep data. The most effective setting involved binary classification of sensor data using the current 6-hour timestamp to predict agitation at the subsequent timestamp. Incorporating additional information, such as time of day and agitation history, further improved model performance, with the highest AUC-ROC of 0.9720 and AUC-PR of 0.4320 achieved by the light gradient boosting machine. This work presents the first comprehensive benchmarking of state-of-the-art techniques for agitation prediction in community-based dementia care using privacy-preserving sensor data. The approach enables accurate, explainable, and efficient agitation prediction, supporting proactive dementia care and aging in place.
• Abstract（参考訳）: 扇動は認知症に罹患する人々の最も一般的な反応行動の1つであり、特に継続的な臨床監督のない地域社会に居住する人々の中では最も多い。 動揺のタイムリーな予測は早期介入を可能にし、介護者の負担を軽減し、患者と介護者の双方の生活の質を向上させる。 本研究では,地域在住高齢者の認知症を早期に予測するために,マルチモーダルセンサデータを用いて機械学習アプローチを開発し,評価することを目的とした。 行動データから得られた刺激関連コンテキスト特徴の新たなセットを導入し, 動揺予測に利用した。 マルチタイムスタンプグラフセンサデータとマルチタイムスタンプシーケンシャルセンサデータのバイナリ分類や,単一タイムスタンプグラフセンサデータの異常検出など,複数の問題定式化において幅広い機械学習モデルとディープラーニングモデルが評価された。 この研究は、テクノロジ統合健康管理(TIHM)データセットを利用しており、これは認知症患者をリモートで監視するための最大規模のデータセットで、家庭内活動、生理学、睡眠データから2,803日間のデータを収集した。 最も効果的な設定は、現在の6時間タイムスタンプを使用してセンサーデータのバイナリ分類を行い、その後のタイムスタンプでの動揺を予測することである。 AUC-ROC は 0.9720 であり、AUC-PR は 0.4320 であり、光勾配向上機によって達成された。 本研究は,プライバシ保存センサデータを用いた地域認知症ケアにおける動揺予測のための最先端技術の総合的なベンチマークを行う。 このアプローチは、正確な、説明可能な、効率的な扇動予測を可能にし、積極的認知症ケアと高齢化をサポートする。

関連論文リスト

• SensorQA: A Question Answering Benchmark for Daily-Life Monitoring [1.925154869666529]
  SensorQAは、日常生活監視のための長期時系列センサデータのための人為的な質問応答データセットである。 このデータセット上で、最先端AIモデルのベンチマークを確立し、典型的なエッジデバイス上でのパフォーマンスを評価する。 我々の結果は、現在のモデルと最適なQAパフォーマンスと効率のギャップを明らかにし、新しいコントリビューションの必要性を強調します。
  論文  参考訳（メタデータ） (2025-01-09T05:06:44Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Self-Supervised Transformers for Activity Classification using Ambient Sensors [3.1829446824051195]
  本稿では,環境センサを用いた環境下での居住者の活動の分類手法を提案する。 また,自己教師付き方式でトランスフォーマーを事前訓練する手法を,ハイブリッドオートエンコーダ分類モデルとして提案する。
  論文  参考訳（メタデータ） (2020-11-22T20:46:25Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• 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。