論文の概要: AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals

• arxiv url: http://arxiv.org/abs/2602.18521v1
• Date: Thu, 19 Feb 2026 20:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.132545
• Title: AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals
• Title（参考訳）: AdaptStress:多変量信号とスパース信号を用いた個人化ストレス予測のためのオンライン適応学習
• Authors: Xueyi Wang, Claudine J. C. Lamoth, Elisabeth Wilhelm,
• Abstract要約: 本稿では,スマートウォッチの生理的データを用いたストレス予測のための,新しい,説明可能な,個別化されたアプローチを提案する。 我々は,心拍変動,活動パターン,睡眠指標など多変量特徴を利用した時系列予測モデルを構築し,ストレスレベルを予測する。 MSEが0.053,MAEが0.190,RMSEが0.226,最適設定が0.226であった。
• 参考スコア（独自算出の注目度）: 1.593065406609169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous stress forecasting could potentially contribute to lifestyle interventions. This paper presents a novel, explainable, and individualized approach for stress prediction using physiological data from consumer-grade smartwatches. We develop a time series forecasting model that leverages multivariate features, including heart rate variability, activity patterns, and sleep metrics, to predict stress levels across 16 temporal horizons (History window: 3, 5, 7, 9 days; forecasting window: 1, 3, 5, 7 days). Our evaluation involves 16 participants monitored for 10-15 weeks. We evaluate our approach across 16 participants, comparing against state-of-the-art time series models (Informer, TimesNet, PatchTST) and traditional baselines (CNN, LSTM, CNN-LSTM) across multiple temporal horizons. Our model achieved performance with an MSE of 0.053, MAE of 0.190, and RMSE of 0.226 in optimal settings (5-day input, 1-day prediction). A comparison with the baseline models shows that our model outperforms TimesNet, PatchTST, CNN-LSTM, LSTM, and CNN under all conditions, representing improvements of 36.9%, 25.5%, and 21.5% over the best baseline. According to the explanability analysis, sleep metrics are the most dominant and consistent stress predictors (importance: 1.1, consistency: 0.9-1.0), while activity features exhibit high inter-participant variability (0.1-0.2). Most notably, the model captures individual-specific patterns where identical features can have opposing effects across users, validating its personalization capabilities. These findings establish that consumer wearables, combined with adaptive and interpretable deep learning, can deliver relevant stress assessment adapted to individual physiological responses, providing a foundation for scalable, continuous, explainable mental health monitoring in real-world settings.
• Abstract（参考訳）: 継続的なストレス予測は、ライフスタイルの介入に寄与する可能性がある。 本稿では,スマートウォッチの生理的データを用いたストレス予測のための,新しい,説明可能な,個別化されたアプローチを提案する。 本研究では, 心拍変動, 活動パターン, 睡眠指標などの多変量特徴を利用した時系列予測モデルを構築し, 16時間水平方向のストレスレベルを予測する(履歴ウィンドウ: 3, 5, 7, 9日, 予測ウィンドウ: 1, 3, 5, 7日)。 評価対象は10～15週間の監視対象16名である。 現状の時系列モデル(Informer, TimesNet, PatchTST)と従来のベースライン(CNN, LSTM, CNN-LSTM)を複数の時間的地平線上で比較した。 MSEは0.053、MAEは0.190、RMSEは0.226、最適設定(5日入力、1日予測)は0.226であった。 ベースラインモデルと比較すると、我々のモデルはTimesNet、PatchTST、CNN-LSTM、LSTM、CNNよりも優れており、最高のベースラインよりも36.9%、25.5%、21.5%向上している。 説明可能性分析によると、睡眠指標は最も支配的で一貫したストレス予測因子(重要性: 1.1, 一貫性: 0.9-1.0)であり、活動の特徴は参加者間の変動率(0.1-0.2)が高い。 中でも注目すべきは、同一の機能にユーザ間で反する効果があり、そのパーソナライゼーション能力を検証する、個々の特定のパターンをキャプチャすることだ。 これらの結果から,適応型および解釈可能な深層学習と組み合わせることで,個々の生理的反応に適応したストレス評価が実現可能であることが確認された。

関連論文リスト

• Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model [29.749836788447226]
  この分析は、望遠鏡制御ユニットが2022年9月から2024年7月までに取得した15の物理変数に焦点を当てた。 このモデルは、異なる機能とI-T構成で一貫した結果を示した。 提案したNBMは,オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。
  論文  参考訳（メタデータ） (2026-02-23T15:51:50Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model [1.7904458681854372]
  睡眠の質は幸福に大きく影響する。 本稿では,睡眠の質を評価するための2段階適応時空間モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-28T19:01:40Z)
• Personalized Sleep Prediction via Deep Adaptive Spatiotemporal Modeling and Sparse Data [1.4582793306013617]
  本研究は、睡眠スコアを予測する適応的空間時間モデル(AdaST-Sleep)を提案する。 視覚的に比較すると、このモデルは睡眠スコアと毎日の変動の両方を正確に追跡する。
  論文  参考訳（メタデータ） (2025-08-27T22:36:00Z)
• 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)
• WorldPM: Scaling Human Preference Modeling [130.23230492612214]
  我々は、このスケーリングの可能性を強調するために、World Preference Modeling$ (WorldPM)を提案する。 多様なユーザコミュニティをカバーする公開フォーラムから選好データを収集する。 1.5Bから72Bパラメータの範囲で15Mスケールのデータを用いて広範囲なトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-15T17:38:37Z)
• Soft Computing Approaches for Predicting Shade-Seeking Behaviour in Dairy Cattle under Heat Stress: A Comparative Study of Random Forests and Neural Networks [0.0]
  熱ストレスは地中海の気候において乳牛が直面する主な福祉と生産性の問題の1つである。 我々は2つのソフトコンピューティングアルゴリズム、ランダムフォレスト(Random Forests)とニューラル・ニューラルネットワーク(Neural Networks)を評価し、高解像度の行動データと微小気候データに基づいてトレーニングした。 最高のニューラルネットワーク(3つの隠れ層、16のニューロン、学習速度 = 10e-3)は平均で14.78に達し、ランダムフォレスト(10の木、深さ = 5)は14.97に達し、最も高い解釈性を提供する。
  論文  参考訳（メタデータ） (2025-01-09T14:32:08Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)

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。