論文の概要: From Pen Strokes to Sleep States: Detecting Low-Recovery Days Using Sigma-Lognormal Handwriting Features

• arxiv url: http://arxiv.org/abs/2603.11512v1
• Date: Thu, 12 Mar 2026 03:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.854737
• Title: From Pen Strokes to Sleep States: Detecting Low-Recovery Days Using Sigma-Lognormal Handwriting Features
• Title（参考訳）: ペンストロークから睡眠状態へ:Sigma-lognormal Handwriting機能を用いた低回復日の検出
• Authors: Chisa Tanaka, Andrew Vargo, Anna Scius-Bertrand, Andreas Fischer, Koichi Kise,
• Abstract要約: 本研究は,オンライン筆跡力学から睡眠関連回復状態の日内変動を推定できるかどうかを考察する。 13人の大学生を対象にした28日間の研究で、毎日3回手書きが記録された。
• 参考スコア（独自算出の注目度）: 4.45861052028618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While handwriting has traditionally been studied for character recognition and disease classification, its potential to reflect day-to-day physiological fluctuations in healthy individuals remains unexplored. This study examines whether daily variations in sleep-related recovery states can be inferred from online handwriting dynamics. % We propose a personalized binary classification framework that detects low-recovery days using features derived from the Sigma-Lognormal model, which captures the neuromotor generation process of pen strokes. In a 28-day in-the-wild study involving 13 university students, handwriting was recorded three times daily, and nocturnal cardiac indicators were measured using a wearable ring. For each participant, the lowest (or highest) quartile of four sleep-related metrics -- HRV, lowest heart rate, average heart rate, and total sleep duration -- defined the positive class. Leave-One-Day-Out cross-validation showed that PR-AUC significantly exceeded the baseline (0.25) for all four variables after FDR correction, with the strongest performance observed for cardiac-related variables. Importantly, classification performance did not differ significantly across task types or recording timings, indicating that recovery-related signals are embedded in general movement dynamics. These results demonstrate that subtle within-person autonomic recovery fluctuations can be detected from everyday handwriting, opening a new direction for non-invasive, device-independent health monitoring.
• Abstract（参考訳）: 手書き文字は伝統的に文字認識と病気の分類のために研究されてきたが、健康な人における日々の生理的変動を反映する可能性は未解明のままである。 本研究は,オンライン筆跡力学から睡眠関連回復状態の日内変動を推定できるかどうかを考察する。 %) では, ペンストロークの神経運動量生成過程を捉えたSigma-Lognormalモデルから得られた特徴を用いて, 低回復日数を検出する2値分類フレームワークを提案する。 大学生13名を対象にした28日間の研究で, 毎日3回手書きが記録され, 夜間心指標はウェアラブルリングを用いて測定された。 各参加者について、睡眠関連指標のうち最も低い(または最も高い)4つ(HRV、最低心拍数、平均心拍数、合計睡眠時間)は、正のクラスを定義した。 その結果, PR-AUCはFDR補正後の4変数のベースライン(0.25)を有意に上回り, 心臓関連変数では最も高い成績を示した。 重要なことは、タスクタイプや記録タイミング間で分類性能はそれほど大きくは変化せず、回復関連信号が一般的な運動力学に埋め込まれていることを示している。 これらの結果から,日常の筆跡から微妙な自律神経回復変動が検出され,非侵襲的デバイス非依存型健康モニタリングのための新たな方向性がもたらされることが示唆された。

関連論文リスト

• AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts [1.7032702581423902]
  我々は、脳波(EEG)や脳電図(EOG)のデータを用いて、調整可能な時間分解能で睡眠を評価するディープニューラルネットワークモデルであるAnySleepを提案する。 このモデルは最先端のパフォーマンスを達成し、確立されたベースラインを30秒のエポックで上回るか等しくする。
  論文  参考訳（メタデータ） (2025-12-16T14:49:11Z)
• A Fine Evaluation Method for Cube Copying Test for Early Detection of Alzheimer's Disease [21.659407400652356]
  本研究では,動的手書き特徴抽出に基づく視覚的空間認知機能の評価手法を提案する。 提案手法は類似研究と比較して,86.69%の精度で有意な優位性を示した。
  論文  参考訳（メタデータ） (2025-12-01T07:28:49Z)
• Motion-Robust Multimodal Fusion of PPG and Accelerometer Signals for Three-Class Heart Rhythm Classification [5.573626931805866]
  心房細動(英: atrial fibrillation、AF)は、特に高齢者の脳卒中や死亡の原因である。 RhythmiNetは、時間的およびチャネル的アテンションモジュールで強化された残差ニューラルネットワークである。 AF、正弦律(SR)、その他の3種類のリズム分類を行う。
  論文  参考訳（メタデータ） (2025-11-02T14:21:55Z)
• Mind the Missing: Variable-Aware Representation Learning for Irregular EHR Time Series using Large Language Models [0.6554326244334866]
  VITAL(VITAL)は、不規則にサンプリングされた生理的時系列から学習するのに適した可変対応大規模言語モデル(LLM)ベースのフレームワークである。 言語空間に重要な記号をリプログラミングし、LLMが時間的文脈を捉え、欠落した値に対する推論を可能にする。 高レベルの欠如の下では堅牢なパフォーマンスを維持しており、これは実際の臨床シナリオでよく見られる。
  論文  参考訳（メタデータ） (2025-09-26T09:44:16Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• 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)
• 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。