論文の概要: Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications

• arxiv url: http://arxiv.org/abs/2506.06378v1
• Date: Wed, 04 Jun 2025 17:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.242844
• Title: Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications
• Title（参考訳）: トランスフォーマーによる心電活動の分解とメンタルヘルスへの応用
• Authors: Charalampos Tsirmpas, Stasinos Konstantopoulos, Dimitris Andrikopoulos, Konstantina Kyriakouli, Panagiotis Fatouros,
• Abstract要約: 本研究では,EDA信号分解のための知識駆動型,統計的,深層学習に基づく手法の比較分析を行った。 著者らは、Autoformerアーキテクチャから適応した新しいトランスフォーマーベースのモデルであるFeel Transformerを紹介した。 このモデルは、リアルタイム生体信号解析の可能性を示し、ストレス予測、デジタルメンタルヘルス介入、生理的予測における将来的な応用を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decomposing Electrodermal Activity (EDA) into phasic (short-term, stimulus-linked responses) and tonic (longer-term baseline) components is essential for extracting meaningful emotional and physiological biomarkers. This study presents a comparative analysis of knowledge-driven, statistical, and deep learning-based methods for EDA signal decomposition, with a focus on in-the-wild data collected from wearable devices. In particular, the authors introduce the Feel Transformer, a novel Transformer-based model adapted from the Autoformer architecture, designed to separate phasic and tonic components without explicit supervision. The model leverages pooling and trend-removal mechanisms to enforce physiologically meaningful decompositions. Comparative experiments against methods such as Ledalab, cvxEDA, and conventional detrending show that the Feel Transformer achieves a balance between feature fidelity (SCR frequency, amplitude, and tonic slope) and robustness to noisy, real-world data. The model demonstrates potential for real-time biosignal analysis and future applications in stress prediction, digital mental health interventions, and physiological forecasting.
• Abstract（参考訳）: 心電活動(EDA)をファシック(短期、刺激連鎖反応)とトニック(長期ベースライン)に分解することは、有意義な感情的・生理的バイオマーカーの抽出に不可欠である。 本研究では,EDA信号分解のための知識駆動型,統計的,深層学習に基づく手法の比較分析を行い,ウェアラブルデバイスから収集した地中データに着目した。 特に著者らは、Autoformerアーキテクチャから適応した新しいトランスフォーマーベースのモデルであるFeel Transformerを紹介した。 このモデルは、プーリングとトレンド除去機構を利用して生理学的に意味のある分解を強制する。 Ledalab, cvxEDA, 従来のデトレクション法との比較実験により, Feel Transformer は特徴の忠実度(SCR周波数, 振幅, トニックスロープ)と, ノイズの多い実世界データとのロバスト性を両立することを示した。 このモデルは、リアルタイム生体信号解析の可能性を示し、ストレス予測、デジタルメンタルヘルス介入、生理的予測における将来的な応用を示す。

関連論文リスト

• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• A Statistical Approach for Synthetic EEG Data Generation [2.5648452174203062]
  本研究では,相関解析とランダムサンプリングを組み合わせて,リアルな合成脳波データを生成する手法を提案する。 生の脳波と生の脳波を区別するために訓練されたランダムフォレストモデルは、偶然に高い忠実度を示す。 この方法は、脳波データセットを拡張するためのスケーラブルでプライバシー保護のアプローチを提供し、メンタルヘルス研究におけるより効率的なモデルトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-04-22T06:48:42Z)
• 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)
• Adjoint Sensitivity Analysis on Multi-Scale Bioprocess Stochastic Reaction Network [2.6130735302655554]
  本稿では,機械的モデルパラメータの学習を高速化するための随伴感度アプローチを提案する。 本稿では,多スケールのバイオプロセス力学モデルを表す酵素解析(SA)について考察する。
  論文  参考訳（メタデータ） (2024-05-07T05:06:45Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。