論文の概要: WatchAnxiety: A Transfer Learning Approach for State Anxiety Prediction from Smartwatch Data

• arxiv url: http://arxiv.org/abs/2509.13725v1
• Date: Wed, 17 Sep 2025 06:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.738053
• Title: WatchAnxiety: A Transfer Learning Approach for State Anxiety Prediction from Smartwatch Data
• Title（参考訳）: WatchAnxiety: スマートウォッチデータからの状態不安予測のための伝達学習アプローチ
• Authors: Md Sabbir Ahmed, Noah French, Mark Rucker, Zhiyuan Wang, Taylor Myers-Brower, Kaitlyn Petz, Mehdi Boukhechba, Bethany A. Teachman, Laura E. Barnes,
• Abstract要約: 社会的不安は、学術的、社会的、職業的機能における課題と関連する精神的な健康状態である。 我々は、日々の社会不安のダイナミクスを捉えるためのスマートウォッチベースのシステムを開発した。 私たちのパイプラインは、データセットの状態不安検出の精度を60.4%向上しました。
• 参考スコア（独自算出の注目度）: 10.30149481518962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social anxiety is a common mental health condition linked to significant challenges in academic, social, and occupational functioning. A core feature is elevated momentary (state) anxiety in social situations, yet little prior work has measured or predicted fluctuations in this anxiety throughout the day. Capturing these intra-day dynamics is critical for designing real-time, personalized interventions such as Just-In-Time Adaptive Interventions (JITAIs). To address this gap, we conducted a study with socially anxious college students (N=91; 72 after exclusions) using our custom smartwatch-based system over an average of 9.03 days (SD = 2.95). Participants received seven ecological momentary assessments (EMAs) per day to report state anxiety. We developed a base model on over 10,000 days of external heart rate data, transferred its representations to our dataset, and fine-tuned it to generate probabilistic predictions. These were combined with trait-level measures in a meta-learner. Our pipeline achieved 60.4% balanced accuracy in state anxiety detection in our dataset. To evaluate generalizability, we applied the training approach to a separate hold-out set from the TILES-18 dataset-the same dataset used for pretraining. On 10,095 once-daily EMAs, our method achieved 59.1% balanced accuracy, outperforming prior work by at least 7%.
• Abstract（参考訳）: 社会的不安は、学術的、社会的、職業的機能において重大な課題に結びついている一般的な精神状態である。 中心となる特徴は、社会的状況における一時的な(状態)不安を高めることであるが、この不安の変動を1日中測定したり予測したりすることはほとんどない。 これらの日内ダイナミクスのキャプチャは、Just-In-Time Adaptive Interventions (JITAI)のような、リアルタイムでパーソナライズされた介入を設計するために重要である。 このギャップに対処するために、我々は、我々のカスタムスマートウォッチベースのシステムを平均9.03日(SD=2.95)で、社会的に不安な大学生(N=91,72)を対象に調査を行った。 参加者は1日7回の生態的瞬間的評価(EMA)を受け、状態不安を報告した。 我々は1万日以上の心拍データに基づいてベースモデルを開発し、その表現をデータセットに転送し、確率的予測を生成するように微調整した。 これらはメタ・ラーナーにおける特性レベル尺度と組み合わせられた。 私たちのパイプラインは、データセットの状態不安検出の精度を60.4%向上しました。 一般化性を評価するために、トレーニングアプローチをTILES-18データセットから分離したホールトアウトセットに適用した。 1日当たり10,095回のEMAでは59.1%のバランスの取れた精度を達成し,先行作業よりも少なくとも7%向上した。

関連論文リスト

• Are Anxiety Detection Models Generalizable? A Cross-Activity and Cross-Population Study Using Wearables [0.028251406225581324]
  公言のような不安を引き起こす活動は、不安障害を持つ人の不安反応を高める可能性がある。 近年の研究では、心電図(ECG)や心電図活動(EDA)などの生理学的信号を用いて、機械学習モデルを用いて、そのような状況における不安を検出することが示唆されている。
  論文  参考訳（メタデータ） (2025-03-24T11:43:34Z)
• AnxietyFaceTrack: A Smartphone-Based Non-Intrusive Approach for Detecting Social Anxiety Using Facial Features [0.028251406225581324]
  社会的不安障害(英語版) (SAD) は広範な精神疾患であるが、客観的マーカーの欠如はタイムリーな検出と介入を妨げる。 これまでの研究では、構造化活動におけるSADの行動マーカーと非言語マーカーに焦点が当てられていた。 本稿では、顔画像分析を利用して、未ステージの社会環境における不安を検出するAnxietyFaceTrackを提案する。
  論文  参考訳（メタデータ） (2025-02-22T06:01:50Z)
• Digital Phenotyping for Adolescent Mental Health: A Feasibility Study Employing Machine Learning to Predict Mental Health Risk From Active and Passive Smartphone Data [2.2310516973117194]
  本研究は,非クリニカル青年期の精神障害を予測するために,アクティブおよびパッシブスマートフォンデータを統合する可能性について検討した。 我々はMindcraftアプリを用いて、内因性障害、摂食障害、不眠症、自殺思考のリスクを予測する。
  論文  参考訳（メタデータ） (2025-01-15T15:05:49Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Objective Prediction of Tomorrow's Affect Using Multi-Modal Physiological Data and Personal Chronicles: A Study of Monitoring College Student Well-being in 2020 [0.0]
  本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。 1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。 その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
  論文  参考訳（メタデータ） (2022-01-26T23:06:20Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)
• 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。