論文の概要: Stress Monitoring in Healthcare: An Ensemble Machine Learning Framework Using Wearable Sensor Data

• arxiv url: http://arxiv.org/abs/2507.07589v1
• Date: Thu, 10 Jul 2025 09:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.345945
• Title: Stress Monitoring in Healthcare: An Ensemble Machine Learning Framework Using Wearable Sensor Data
• Title（参考訳）: 医療におけるストレスモニタリング:ウェアラブルセンサデータを用いたアンサンブル機械学習フレームワーク
• Authors: Arpana Sinhal, Anay Sinhal, Amit Sinhal,
• Abstract要約: 本研究では,生理的信号,脳活動,心拍数,皮膚温度などのデータセットを紹介する。 これらの課題を克服するため、データセットはSMOTE(Synthetic Minority Over sample Technique)で事前処理が行われた。 Random Forest、XGBoost、Multi-Layer Perceptron(MLP)といった先進的な機械学習モデルを評価し、スタックに組み合わせて、それらの予測強度を活用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare professionals, particularly nurses, face elevated occupational stress, a concern amplified during the COVID-19 pandemic. While wearable sensors offer promising avenues for real-time stress monitoring, existing studies often lack comprehensive datasets and robust analytical frameworks. This study addresses these gaps by introducing a multimodal dataset comprising physiological signals, electrodermal activity, heart rate and skin temperature. A systematic literature review identified limitations in prior stress-detection methodologies, particularly in handling class imbalance and optimizing model generalizability. To overcome these challenges, the dataset underwent preprocessing with the Synthetic Minority Over sampling Technique (SMOTE), ensuring balanced representation of stress states. Advanced machine learning models including Random Forest, XGBoost and a Multi-Layer Perceptron (MLP) were evaluated and combined into a Stacking Classifier to leverage their collective predictive strengths. By using a publicly accessible dataset and a reproducible analytical pipeline, this work advances the development of deployable stress-monitoring systems, offering practical implications for safeguarding healthcare workers' mental health. Future research directions include expanding demographic diversity and exploring edge-computing implementations for low latency stress alerts.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)感染拡大を受け、医療専門家、特に看護師は労働ストレスの高まりに直面している。 ウェアラブルセンサーはリアルタイムのストレスモニタリングに有望な道を提供するが、既存の研究には包括的なデータセットや堅牢な分析フレームワークが欠けていることが多い。 本研究では, 生理的信号, 電磁気活動, 心拍数, 皮膚温度を含むマルチモーダルデータセットを導入することにより, これらのギャップに対処する。 系統的な文献レビューでは、特にクラス不均衡の処理とモデル一般化可能性の最適化において、事前のストレス検出手法の限界が特定された。 これらの課題を克服するため、データセットはSMOTE(Synthetic Minority Over sample Technique)で事前処理され、ストレス状態のバランスの取れた表現が保証された。 Random Forest、XGBoost、Multi-Layer Perceptron (MLP)などの高度な機械学習モデルを評価し、スタック化分類器に組み合わせて、それらの予測強度を活用した。 この研究は、公開可能なデータセットと再現可能な分析パイプラインを使用することで、デプロイ可能なストレスモニタリングシステムの開発を進め、医療従事者のメンタルヘルスを保護するための実践的な意味を提供する。 今後の研究の方向性としては、人口多様性の拡大や、低レイテンシのストレスアラートのためのエッジコンピューティング実装の探索がある。

関連論文リスト

• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• Machine Learning, Deep Learning and Data Preprocessing Techniques for Detection, Prediction, and Monitoring of Stress and Stress-related Mental Disorders: A Scoping Review [0.0]
  メンタルストレスとそれに伴う精神障害(MD)は、公衆衛生上の重要な問題である。 機械学習(ML)の出現により、これらの問題を理解し、対処するための計算技術を活用する可能性がある。 本研究の目的は,精神ストレスとMDの検出,予測,分析に使用されるML方法論のスコープを検討することである。
  論文  参考訳（メタデータ） (2023-08-08T22:47:12Z)
• Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
  ストレスは様々な健康問題への主要な貢献者として広く認められている。 リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。 しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
  論文  参考訳（メタデータ） (2023-08-04T22:26:33Z)
• Personalized Prediction of Recurrent Stress Events Using Self-Supervised Learning on Multimodal Time-Series Data [1.7598252755538808]
  ウェアラブル生体信号データを用いたマルチモーダル・パーソナライズされたストレス予測システムを開発した。 我々は、各被験者のデータに基づいてモデルを事前学習するために、自己教師付き学習を採用する。 その結果,最小限のアノテーションで各ユーザのストレス予測をパーソナライズできることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T00:44:06Z)
• A Self-supervised Framework for Improved Data-Driven Monitoring of Stress via Multi-modal Passive Sensing [7.084068935028644]
  ストレス応答の生理的前駆体を追跡するための多モード半教師付きフレームワークを提案する。 本手法は,ウェアラブルデバイスと異なる領域と解像度のマルチモーダルデータの利用を可能にする。 実世界のデータのコーパスを用いて、知覚的ストレスに関するトレーニング実験を行う。
  論文  参考訳（メタデータ） (2023-03-24T20:34:46Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• 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)
• 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。