論文の概要: Prediction of Challenging Behaviors Associated with Profound Autism in a Classroom Setting Using Wearable Sensors

• arxiv url: http://arxiv.org/abs/2605.17618v2
• Date: Wed, 20 May 2026 16:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.304407
• Title: Prediction of Challenging Behaviors Associated with Profound Autism in a Classroom Setting Using Wearable Sensors
• Title（参考訳）: ウェアラブルセンサを用いた教室環境における確率自閉症に伴う座屈行動の予測
• Authors: Yadhu Kartha, Conor Anderson, Jenny Foster, Theresa Hamlin, Johanna Lantz, Ryan Lay, Juergen Hahn, Gari D. Clifford, Hyeokhyen Kwon,
• Abstract要約: 自閉症スペクトラム障害(ASD)は、社会的相互作用とコミュニケーションに関する課題によって特徴づけられる。 ASDを持つ子供の約4分の1は、重篤な自閉症に分類される。
• 参考スコア（独自算出の注目度）: 2.6383437331479125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autism Spectrum Disorder (ASD) is characterized by challenges with social interaction and communication and by restricted or repetitive patterns of thought and behavior, with significant variability in presentation. Approximately a quarter of children with ASD are classified as having profound autism, who often exhibit challenging behaviors, such as self-injurious behavior, aggression, elopement, or pica, that pose serious safety risks and disrupt learning in educational settings. Prior work has applied wearable sensors and machine learning to detect challenging behaviors, but has been largely confined to controlled laboratory environments. This work demonstrates that predicting challenging behavior episodes is feasible in a real-world special education classroom. We collected approximately 110.7 hours of labeled multimodal wearable data comprising accelerometry, electrodermal activity (EDA), and skin temperature from 9 children and young adults aged 10 to 21 years across standard classroom sessions. We fine-tuned state-of-the-art foundation models for multimodal wearable time-series analysis and show that challenging behavior episodes can be predicted up to 10 minutes in advance with an AUC-ROC of 0.78. These results establish a concrete foundation for developing proactive in-class intervention systems that enable teachers to minimize the safety risks of challenging behaviors in special education classrooms
• Abstract（参考訳）: 自閉症スペクトラム障害(ASD)は、社会的相互作用とコミュニケーションに関する課題と、思考と行動の制限あるいは反復的なパターンによって特徴づけられる。 ASDを持つ子供の約4分の1は、重篤な自閉症と分類されており、自傷行為、攻撃性、発展性、ピカなど、深刻な安全性のリスクを生じ、教育環境での学習を阻害する困難な行動を示すことが多い。 これまでの研究では、ウェアラブルセンサーと機械学習を使って挑戦的な行動を検出してきたが、主に制御された実験室環境に限られていた。 この研究は、現実世界の特別教育教室で、挑戦的な行動エピソードを予測することが可能であることを実証している。 標準教室では, 加速度計, 心電図活動 (EDA) , 皮膚温9歳から21歳までの10～21歳の若年者を対象に, 約110.7時間のラベル付きマルチモーダルウェアラブルデータを収集した。 我々は、マルチモーダルウェアラブル時系列分析のための最先端基礎モデルを微調整し、AUC-ROC 0.78 を用いて、挑戦的な行動エピソードを最大10分間予測できることを示した。 これらの結果は、教員が特別教育教室における挑戦行動の安全性を最小化できるプロアクティブ・イン・クラス介入システムの開発のための具体的な基盤を確立するものである。

関連論文リスト

• Ambivalence/Hesitancy Recognition in Videos for Personalized Digital Health Interventions [51.74800196847922]
  A/H(Ambivalence and Hesitancy)は、個人が健康介入を遅らせたり、避けたり、放棄したりする主要な役割を担っている。 専門家はA/Hを認識するように訓練することができるが、それらをデジタルヘルス介入に統合することは費用がかかり、効果が低い。 本稿では,ビデオにおけるA/H認識の深層学習モデルの適用について検討する。
  論文  参考訳（メタデータ） (2026-04-13T17:05:38Z)
• Modeling of ASD/TD Children's Behaviors in Interaction with a Virtual Social Robot During a Music Education Program Using Deep Neural Networks [0.0]
  本研究は,ASDおよび神経型(TD)児の行動モデルの評価・抽出を行う知的システムを開発することを目的とした。 本システムの主な特徴は,1) 神経型児と,2) 神経型児やALD 児に類似した動作を深層学習を用いて生成することである。
  論文  参考訳（メタデータ） (2026-02-11T12:05:57Z)
• Human Behavior Atlas: Benchmarking Unified Psychological and Social Behavior Understanding [50.34821397821815]
  Human Behavior Atlasは、テキスト、オーディオ、視覚的モダリティにまたがる10万以上のサンプルで構成されている。 統合作業は冗長性とコストを低減し、タスク間の効率的なスケーリングを可能にし、ドメイン間の行動特徴の一般化を促進する。
  論文  参考訳（メタデータ） (2025-10-06T15:16:45Z)
• Challenges in the Differential Classification of Individual Diagnoses from Co-Occurring Autism and ADHD Using Survey Data [2.521920073279046]
  自閉症とADHD(Autism and Attention-Deficit Hyper Activity Disorder)は、小児期で最もよく見られる神経発達障害の1つである。 両者を区別するための特定の計算アセスメントを提供することは、困難かつ時間を要することが証明される。 自動臨床意思決定支援システムの特徴として,対象とする行動を特定するために,全国小児健康調査のデータを用いた機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2024-11-13T03:38:56Z)
• Explainable Artificial Intelligence for Quantifying Interfering and High-Risk Behaviors in Autism Spectrum Disorder in a Real-World Classroom Environment Using Privacy-Preserving Video Analysis [2.286750720737624]
  ビデオに基づくグループ活動認識技術の最新技術は、実世界の活動におけるASDの振る舞いを定量化できることを示す。 説明可能なモデルは、77%のF1スコアで問題行動のエピソードを検出し、ASDの異なる種類の行動の特徴を捉えることができる。
  論文  参考訳（メタデータ） (2024-07-31T15:37:52Z)
• Screening Autism Spectrum Disorder in childrens using Deep Learning Approach : Evaluating the classification model of YOLOv8 by comparing with other models [0.0]
  そこで本稿では,YoloV8モデルを用いた顔画像を用いたASDスクリーニングの実践的解決策を提案する。 分類の精度は89.64%、F1スコアは0.89。
  論文  参考訳（メタデータ） (2023-06-25T18:02:01Z)
• Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。 この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
  論文  参考訳（メタデータ） (2023-03-09T17:49:37Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• The Challenges of Assessing and Evaluating the Students at Distance [77.34726150561087]
  新型コロナウイルス(COVID-19)の感染拡大が高等教育機関に強い影響を及ぼし、教室の授業は中止された。 本論文は、ポルトガルの高等教育機関がもたらす課題を探求し、評価モデルにもたらす課題を分析することを目的としている。
  論文  参考訳（メタデータ） (2021-01-30T13:13:45Z)
• 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。