論文の概要: Long-Term Variability in Physiological-Arousal Relationships for Robust Emotion Estimation

• arxiv url: http://arxiv.org/abs/2508.18782v1
• Date: Tue, 26 Aug 2025 08:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.744132
• Title: Long-Term Variability in Physiological-Arousal Relationships for Robust Emotion Estimation
• Title（参考訳）: ロバスト感情推定のための生理・覚醒関係の長期変動
• Authors: Hiroto Sakimura, Takayuki Nagaya, Tomoki Nishi, Tetsuo Kurahashi, Katsunori Kohda, Nobuhiko Muramoto,
• Abstract要約: 生理的信号から感情状態を推定することは、感情コンピューティングと心理生理学の中心的なトピックである。 本研究は、個人内で数ヶ月にわたってこのような関係が持続するかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating emotional states from physiological signals is a central topic in affective computing and psychophysiology. While many emotion estimation systems implicitly assume a stable relationship between physiological features and subjective affect, this assumption has rarely been tested over long timeframes. This study investigates whether such relationships remain consistent across several months within individuals. We developed a custom measurement system and constructed a longitudinal dataset by collecting physiological signals--including blood volume pulse, electrodermal activity (EDA), skin temperature, and acceleration--along with self-reported emotional states from 24 participants over two three-month periods. Data were collected in naturalistic working environments, allowing analysis of the relationship between physiological features and subjective arousal in everyday contexts. We examined how physiological--arousal relationships evolve over time by using Explainable Boosting Machines (EBMs) to ensure model interpretability. A model trained on 1st-period data showed a 5\% decrease in accuracy when tested on 2nd-period data, indicating long-term variability in physiological--arousal associations. EBM-based comparisons further revealed that while heart rate remained a relatively stable predictor, minimum EDA exhibited substantial individual-level fluctuations between periods. While the number of participants is limited, these findings highlight the need to account for temporal variability in physiological--arousal relationships and suggest that emotion estimation models should be periodically updated -- e.g., every five months -- based on observed shift trends to maintain robust performance over time.
• Abstract（参考訳）: 生理的信号から感情状態を推定することは、感情コンピューティングと心理生理学の中心的なトピックである。 多くの感情推定システムは、生理的特徴と主観的影響の間の安定した関係を暗黙的に仮定するが、この仮定は長い期間にわたってテストされることはめったにない。 本研究は、個人内で数ヶ月にわたってこのような関係が持続するかどうかを考察する。 そこで我々は,2カ月間に24人の被験者から自己申告された感情状態とともに,血液量脈波,心電図活動(EDA),皮膚温度,加速度などの生理的信号を収集し,縦断的データセットを構築した。 データは自然主義的な作業環境において収集され、生理的特徴と日常の文脈における主観的覚醒の関係の分析が可能となった。 モデル解釈性を確保するために,EBM(Explainable Boosting Machines)を用いて,生理的・覚醒的関係が時間とともにどのように進化するかを検討した。 第1期データに基づいてトレーニングしたモデルでは,第2期データを用いた場合の精度が5倍に低下し,生理・覚醒関連因子の長期変動が認められた。 EBMによる比較では、心拍数は比較的安定な予測値のままであったが、最小のEDAは周期間で実質的な個人レベルの変動を示した。 参加者の数は限られているが、これらの調査結果は生理的・覚醒的関係における時間的変動を考慮する必要性を強調し、時間の経過とともに堅牢なパフォーマンスを維持するために観察された変化傾向に基づいて、感情推定モデルが定期的に更新されるべきであることを示唆している。

関連論文リスト

• Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data [1.7396556690675233]
  本稿では,ウェアラブルデータからパーソナライズされた対物モデルを学ぶためのフレームワークを提案する。 我々はまず,マルチモーダル類似性分析を用いて,類似患者のデータを用いて個々のデータセットを拡大する。 次に、時間的PC(Peter-Clark)アルゴリズムを用いて予測関係を探索する。 グラディエントブースティングマシンは、個々の特殊効果を定量化するためにこれらの関係に基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-08-20T05:04:17Z)
• Reproducible Physiological Features in Affective Computing: A Preliminary Analysis on Arousal Modeling [1.9400282838579548]
  心血管信号と心電図信号から,覚醒レベルに関連する生理的特徴を同定した。 弊社のアプローチは、信頼性が高く信頼性の高いホワイトボックスモデルを必要とする安全クリティカルな環境での応用に特に有望である。
  論文  参考訳（メタデータ） (2025-08-14T11:58:36Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• Modeling Long-term Dependencies and Short-term Correlations in Patient Journey Data with Temporal Attention Networks for Health Prediction [9.364493621593441]
  健康予測のための様々な変数の寄与を考慮に入れた,4つのモジュールを持つ新しいディープニューラルネットワークを提案する。 MIMIC-III実験の結果,既存の最先端手法と比較して予測精度が優れていた。
  論文  参考訳（メタデータ） (2022-07-13T09:15:26Z)
• 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)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。