論文の概要: Leveraging Metaheuristic Approaches to Improve Deep Learning Systems for Anxiety Disorder Detection
- arxiv url: http://arxiv.org/abs/2511.18827v1
- Date: Mon, 24 Nov 2025 07:03:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.066172
- Title: Leveraging Metaheuristic Approaches to Improve Deep Learning Systems for Anxiety Disorder Detection
- Title（参考訳）: 不安障害検出のためのディープラーニングシステム改善のためのメタヒューリスティックアプローチの活用
- Authors: Mohammadreza Amiri, Monireh Hosseini,
- Abstract要約: 本研究では,Swarmインテリジェンスにインスパイアされた最適化戦略とディープラーニングアーキテクチャを統合した包括的モデルを提案する。
マルチモーダルおよびウェアラブルセンサーのデータセットを使用して、このフレームワークは生理的、感情的、行動的な信号を解析する。
この2つの計算パラダイムの融合が検出性能を大幅に向上させることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Despite being among the most common psychological disorders, anxiety-related conditions are still primarily identified through subjective assessments, such as clinical interviews and self-evaluation questionnaires. These conventional methods often require significant time and may vary depending on the evaluator. However, the emergence of advanced artificial intelligence techniques has created new opportunities for detecting anxiety in a more consistent and automated manner. To address the limitations of traditional approaches, this study introduces a comprehensive model that integrates deep learning architectures with optimization strategies inspired by swarm intelligence. Using multimodal and wearable-sensor datasets, the framework analyzes physiological, emotional, and behavioral signals. Swarm intelligence techniques including genetic algorithms and particle swarm optimization are incorporated to refine the feature space and optimize hyperparameters. Meanwhile, deep learning components are tasked with deriving layered and discriminative representations from sequential, multi-source inputs. Our evaluation shows that the fusion of these two computational paradigms significantly enhances detection performance compared with using deep networks alone. The hybrid model achieves notable improvements in accuracy and demonstrates stronger generalization across various individuals. Overall, the results highlight the potential of combining metaheuristic optimization with deep learning to develop scalable, objective, and clinically meaningful solutions for assessing anxiety disorders
- Abstract（参考訳）: 最も一般的な心理学的障害であるにもかかわらず、不安に関連する状況は、臨床面接や自己評価アンケートのような主観的な評価によって認識されている。
これらの手法は、しばしばかなりの時間を必要とし、評価者によって異なる場合がある。
しかし、高度な人工知能技術の出現は、より一貫性があり自動化された方法で不安を検出する新たな機会を生み出している。
従来のアプローチの限界に対処するため,本研究では,深層学習アーキテクチャと,Swarmインテリジェンスにインスパイアされた最適化戦略を統合した包括的モデルを提案する。
マルチモーダルおよびウェアラブルセンサーのデータセットを使用して、このフレームワークは生理的、感情的、行動的な信号を解析する。
遺伝的アルゴリズムや粒子群最適化を含む群知能技術は、特徴空間を洗練させ、ハイパーパラメーターを最適化するために組み込まれている。
一方、ディープラーニングコンポーネントは、シーケンシャルなマルチソース入力から階層化および識別的な表現を導出する。
この2つの計算パラダイムの融合は,ディープネットワークのみを用いた場合と比較して,検出性能を著しく向上させることを示す。
ハイブリッドモデルは精度の顕著な向上を実現し、様々な個人に対してより強力な一般化を示す。
全体としては、メタヒューリスティック最適化とディープラーニングを組み合わせることで、不安障害を評価するためのスケーラブルで客観的、臨床的に有意義なソリューションを開発する可能性を強調している。
関連論文リスト
- Neuromorphic Computing with Multi-Frequency Oscillations: A Bio-Inspired Approach to Artificial Intelligence [12.240763476270018]
驚くべき能力にもかかわらず、人工知能は限られた柔軟性と一般化可能な知性を示す。
この制限は、神経領域の機能的特殊化と、これらの特殊システムの調整に不可欠な時間的ダイナミクスの両方を無視する生物学的認知から、その根本的な違いに起因している。
本稿では,機能的に特殊な知覚システム,補助システム,実行システムを含む三部構成の脳インスパイアされたアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-08-04T08:40:33Z) - Generative Cognitive Diagnosis [13.877294923915118]
本稿では,認知診断を予測モデルから生成モデルへ根本的にシフトさせる新しい生成診断パラダイムを提案する。
生成項目応答理論(G-IRT)と生成的ニューラル認知診断モデル(G-NCDM)という,このパラダイムの単純かつ効果的な2つのインスタンス化を提案する。
我々のフレームワークは、人工知能における認知診断の新たな道を開く。
論文 参考訳（メタデータ） (2025-07-13T23:55:05Z) - MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。
MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
論文 参考訳（メタデータ） (2025-06-04T09:18:25Z) - Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。
質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。
これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
論文 参考訳（メタデータ） (2025-06-03T14:44:48Z) - Early Detection of Mental Health Issues Using Social Media Posts [0.0]
Redditのようなソーシャルメディアプラットフォームは、ユーザー生成コンテンツの豊富なソースを表している。
メンタルヘルス危機の早期発見に言語的特徴と時間的特徴を統合したマルチモーダルディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-06T23:08:08Z) - Deep Insights into Cognitive Decline: A Survey of Leveraging Non-Intrusive Modalities with Deep Learning Techniques [1.6418612334727776]
本調査は、ディープラーニング技術を用いて認知低下検出タスクを自動化する最も関連性の高い非侵入的手法についてレビューする。
我々は、最先端のアプローチを含む、各モダリティと方法論の重要な特徴と利点について論じる。
ほとんどの場合、テキストベースのアプローチは、他のモダリティよりも一貫して優れています。
論文 参考訳（メタデータ） (2024-10-24T17:59:21Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z)
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。