論文の概要: X-BCD: Explainable Sensor-Based Behavioral Change Detection in Smart Home Environments
- arxiv url: http://arxiv.org/abs/2604.06174v1
- Date: Mon, 02 Feb 2026 17:17:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-19 19:09:11.366965
- Title: X-BCD: Explainable Sensor-Based Behavioral Change Detection in Smart Home Environments
- Title（参考訳）: X-BCD:スマートホーム環境における説明可能なセンサによる行動変化検出
- Authors: Gabriele Civitarese, Claudio Bettini,
- Abstract要約: 家庭における日常生活活動の行動変化は認知低下のデジタルマーカーとなる。
X-BCDは、マルチモーダルスマートホームセンサデータから活動ルーチンの変化を検出し、特徴付けるための教師なしフレームワークである。
- 参考スコア（独自算出の注目度）: 1.5469452301122175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Behavioral changes in daily life activities at home can be digital markers of cognitive decline. However, such changes are difficult to assess through sporadic clinical visits and remain challenging to interpret from continuous in-home sensing data. Extensive work has been done in the ubiquitous computing area on recognizing activities in smart homes, but only limited efforts have focused on analysing the evolution of patterns of activities, hence identifying behavior changes. In particular, understanding how daily habits and routines evolve and reorganize (e.g., simplification, fragmentation) is still an open challenge for clinical monitoring and decision support. In this paper, we present X-BCD, an explainable, unsupervised framework for detecting and characterizing changes in activity routines from multimodal smart home sensor data, combining change point detection and cluster evolution tracking. To support clinical interpretation, detected changes in routines are transformed into natural-language explanations grounded in interpretable features. Our preliminary evaluation on longitudinal data from real MCI patients shows that X-BCD produces interpretable descriptions of behavioral change, as supported by cohort-level comparisons, expert assessment, and parameter sensitivity analysis.
- Abstract（参考訳）: 家庭における日常生活活動の行動変化は認知低下のデジタルマーカーとなる。
しかし、こうした変化は散発的な臨床訪問を通じて評価することは困難であり、連続した家庭内センシングデータから解釈することは困難である。
スマートホームにおける活動認識に関するユビキタスコンピューティング分野において、広範囲にわたる研究が行われてきたが、活動パターンの進化を分析し、行動変化を特定することに焦点を当てた限られた取り組みしか行われていない。
特に、日常の習慣やルーチンがどのように進化し、再編成されるかを理解する(例えば、単純化、断片化)ことは、臨床モニタリングと意思決定支援のオープンな課題である。
本稿では,マルチモーダルスマートホームセンサデータからアクティビティルーチンの変化を検出し,特徴付けるための,説明不能で教師なしのフレームワークであるX-BCDについて述べる。
臨床解釈を支援するために、検出されたルーチンの変化は、解釈可能な特徴に基づく自然言語の説明に変換される。
実際のMCI患者の経時的データから,X-BCDは,コホートレベルの比較,専門的評価,パラメータ感受性分析によって,行動変化の解釈可能な記述を生成することが示された。
関連論文リスト
- Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - CBMAS: Cognitive Behavioral Modeling via Activation Steering [5.131778762865578]
大規模言語モデル(LLM)は、しばしばプロンプト、レイヤ、コンテキスト間で予測不可能な認知行動を符号化する。
CBMASは, 連続的アクティベーションステアリングのための診断フレームワークである。
論文 参考訳（メタデータ） (2026-01-03T13:04:14Z) - Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。
従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。
本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。
我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
論文 参考訳（メタデータ） (2025-10-02T19:38:46Z) - The SERENADE project: Sensor-Based Explainable Detection of Cognitive Decline [0.26388783516590225]
SERENADEは、説明可能なAI手法を用いて認知低下に関連する行動変化を検出し、説明することを目的としている。
本稿では,認知低下に伴う行動変化を,説明可能なAI手法を用いて検出し,説明することを目的とした,欧州連合が出資するSERENADEプロジェクトを紹介する。
論文 参考訳（メタデータ） (2025-04-11T15:36:08Z) - Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。
現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。
本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T12:16:26Z) - On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。
そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。
ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - KIDS: kinematics-based (in)activity detection and segmentation in a
sleep case study [5.707737640557724]
睡眠行動とベッド内の運動は、人々の神経生理学的健康に関する豊富な情報を含んでいる。
本稿では,臨床的に有意な関節キネマティクスに基づく客観的(in)アクティビティ検出とセグメンテーションのためのオンラインベイズ確率的枠組みを提案する。
論文 参考訳（メタデータ） (2023-01-04T16:24:01Z) - 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) - Discovering Behavioral Predispositions in Data to Improve Human Activity
Recognition [1.2961180148172198]
本研究は,患者が特定の行動を示す傾向のある日や週の特定の時間に観察を行うことにより,認識性能を向上させることを提案する。
クラスタ内のすべての時間セグメントは、同じ挙動からなり、従って振舞い前沈着(BPD)を示す。
実験により、時間セグメント当たりのBPDが分かっている場合、活動認識性能が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2022-07-18T10:07:15Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Unsupervised Behaviour Analysis and Magnification (uBAM) using Deep
Learning [5.101123537955207]
運動行動分析は、運動障害とその介入による変化を特定する非侵襲的戦略を提供する。
偏差の検出と拡大による挙動解析のための自動深層学習アルゴリズムであるuBAM(Unsupervised Behavior Analysis and magnification)について紹介する。
中心となる側面は姿勢と行動表現の教師なし学習であり、運動の客観的比較を可能にする。
論文 参考訳（メタデータ） (2020-12-16T20:07:36Z)
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。