論文の概要: Student Mental Health Screening via Fitbit Data Collected During the COVID-19 Pandemic
- arxiv url: http://arxiv.org/abs/2601.16324v1
- Date: Thu, 22 Jan 2026 21:18:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.409118
- Title: Student Mental Health Screening via Fitbit Data Collected During the COVID-19 Pandemic
- Title（参考訳）: 新型コロナウイルスパンデミックで収集されたFitbitデータによる学生のメンタルヘルススクリーニング
- Authors: Rebecca Lopez, Avantika Shrestha, ML Tlachac, Kevin Hickey, Xingtong Guo, Shichao Liu, Elke Rundensteiner,
- Abstract要約: パンデミック期間中に当施設の学生から学生メンタル・環境健康(StudentMEH)Fitbitデータセットを収集した。
我々は、Fitbitのさまざまなモダリティを用いて、予測機械学習モデルがうつ病、不安、ストレスをスクリーニングする能力を総合的に評価する。
- 参考スコア（独自算出の注目度）: 4.943603895773321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: College students experience many stressors, resulting in high levels of anxiety and depression. Wearable technology provides unobtrusive sensor data that can be used for the early detection of mental illness. However, current research is limited concerning the variety of psychological instruments administered, physiological modalities, and time series parameters. In this research, we collect the Student Mental and Environmental Health (StudentMEH) Fitbit dataset from students at our institution during the pandemic. We provide a comprehensive assessment of the ability of predictive machine learning models to screen for depression, anxiety, and stress using different Fitbit modalities. Our findings indicate potential in physiological modalities such as heart rate and sleep to screen for mental illness with the F1 scores as high as 0.79 for anxiety, the former modality reaching 0.77 for stress screening, and the latter modality achieving 0.78 for depression. This research highlights the potential of wearable devices to support continuous mental health monitoring, the importance of identifying best data aggregation levels and appropriate modalities for screening for different mental ailments.
- Abstract（参考訳）: 大学生は多くのストレスを経験し、高いレベルの不安と抑うつをもたらす。
ウェアラブル技術は、精神疾患の早期発見に使用できる、邪魔にならないセンサーデータを提供する。
しかし、現在の研究は、管理された様々な心理学機器、生理的モダリティ、時系列パラメータについて限られている。
本研究では, 学生のメンタル・アンド・エコノミック・ヘルス(StudentMEH) Fitbitデータセットを, パンデミックの間, 当施設の学生から収集した。
我々は、Fitbitのさまざまなモダリティを用いて、予測機械学習モデルがうつ病、不安、ストレスをスクリーニングする能力を総合的に評価する。
F1スコアが最大0.79、前者はストレススクリーニング0.77、後者はうつ病0.78であった。
この研究は、継続的なメンタルヘルスモニタリングをサポートするウェアラブルデバイスの可能性、最良のデータ収集レベルを特定することの重要性、そして異なるメンタル障害に対するスクリーニングのための適切なモダリティを強調している。
関連論文リスト
- ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media [48.56586765769052]
ReDepressは、リラプスに焦点を当てた最初の臨床的に検証されたソーシャルメディアデータセットである。
我々の枠組みはうつ病の認知理論に基づいており、注意バイアス、解釈バイアス、記憶バイアス、反省などの構造を取り入れている。
本研究は, 実世界のテキストデータにおける心理学的理論を検証し, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2025-09-22T16:33:59Z) - Real-Time Stress Monitoring, Detection, and Management in College Students: A Wearable Technology and Machine-Learning Approach [1.0389278083386493]
大学生はストレス、不安、うつにますます影響を受ける。
本研究は、モバイルヘルス(mHealth)介入、メンタルヘルス評価およびルックアウトプログラム(mHELP)の有効性を評価する。
mHELPは、リアルタイムストレス検出と自己管理のためのスマートウォッチセンサーと機械学習(ML)アルゴリズムを統合している。
論文 参考訳（メタデータ） (2025-05-21T19:45:42Z) - 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) - Large-scale digital phenotyping: identifying depression and anxiety indicators in a general UK population with over 10,000 participants [2.2909783327197393]
英国在住の一般住民10,129名のデータを横断的に分析した。
参加者は、ウェアラブル(Fitbit)データと、うつ病(PHQ-8)、不安(GAD-7)、ムードに関する自己申告アンケートを、研究アプリを通じて共有した。
気分,年齢,性別,BMI,睡眠パターン,身体活動,心拍数など,うつ病の重症度と不安度との間に有意な関連が認められた。
論文 参考訳（メタデータ） (2024-09-24T16:05:17Z) - Decoding Emotional Valence from Wearables: Can Our Data Reveal Our True
Feelings? [0.210674772139335]
本研究は, 消費者グレードのウェアラブルと自己申告手段を活用することで, 実験室による研究と実生活環境とのギャップを埋めることを目的とする。
得られたデータの初期分析は,主に有価値分類の結果に着目したものである。
本研究は、移動型メンタルヘルス介入の分野における今後の研究の道を開くものである。
論文 参考訳（メタデータ） (2023-12-21T13:57:34Z) - A Hybrid Approach for Depression Classification: Random Forest-ANN
Ensemble on Motor Activity Signals [4.798808180453298]
ウェアラブルセンサーは、メンタルヘルスの問題を追跡し、理解する潜在的な手段を提供する。
近年の研究では、これらのセンサーと機械学習の手法を併用して、異なる精神状態に関連するパターンを特定している。
本稿では、うつ病患者のセンサデータを評価するために最適化されたHybrid Random forest - Neural Networkと呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-13T17:39:35Z) - Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。
本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
論文 参考訳（メタデータ） (2023-02-05T22:33:49Z) - What's on your mind? A Mental and Perceptual Load Estimation Framework
towards Adaptive In-vehicle Interaction while Driving [55.41644538483948]
精神的な作業量と知覚的負荷が心理生理学的次元に及ぼす影響を分析する。
これらの測定値の融合により、心的および知覚的負荷レベルを分類する。
我々は、最大89%のメンタルワークロード分類精度を報告し、リアルタイムに最小限のソリューションを提供する。
論文 参考訳（メタデータ） (2022-08-10T21:19:49Z) - Deep Multi-task Learning for Depression Detection and Prediction in
Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。
機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。
本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-05T05:14:14Z) - 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。