論文の概要: PocketPPD: Screening for Postpartum Depression Risk Using Passive Smartphone Sensing
- arxiv url: http://arxiv.org/abs/2607.17185v1
- Date: Sun, 19 Jul 2026 10:49:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.389031
- Title: PocketPPD: Screening for Postpartum Depression Risk Using Passive Smartphone Sensing
- Title（参考訳）: PocketPPD:パッシブスマートフォンセンシングによる産後抑うつリスクのスクリーニング
- Abstract要約: 産後うつ病(PPD)は、世界中の新生児の母親の約20%に影響を及ぼす重度の周産期精神疾患である。
近年の受動的モバイルセンシング手法により,スマートフォンを含む市販のモバイル機器のマルチモーダルセンサデータを用いた機械学習による抑うつ症状の低バーデン検出が可能となった。
本稿では,PocketPPDを提案する。PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD。
- 参考スコア（独自算出の注目度）: 10.36895730282817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Postpartum depression (PPD) is a serious perinatal mental health condition affecting approximately 20% of new mothers worldwide. Common screening approaches for PPD, such as self-report questionnaires and active digital logs, rely heavily on user input and thus impose a substantial burden on participants, limiting their feasibility for long-term use. Recent passive mobile sensing (PMS) approaches have enabled low-burden detection of depressive symptoms using machine learning methods with multi-modal sensor data from off-the-shelf mobile devices including smartphones. However, the postpartum period entails distinct behavioral patterns, raising uncertainty about whether sensing-based indicators for general depression and mental disorders generalize to PPD. To address this gap, we propose PocketPPD, a PMS-based PPD screening method that detects PPD risk using maternal contextual features, such as disruptions in behavioral rhythms and shifts in stability, collected through a smartphone. In our exploratory four-week feasibility study with 61 postpartum women, the PMS-only model achieved an AUC of 0.75, while the best-performing model, integrating PMS-oriented data and self-report features, achieved an AUC of 0.83. Moreover, we find that morning and late-night routine volatility ranks among the top digital biomarkers, dynamically moderated by maternal contexts such as infant developmental stage and employment status. This work provides empirical evidence for low-burden PPD risk screening and our findings lay the groundwork for continuous perinatal mental health monitoring.
- Abstract（参考訳）: 産後うつ病(PPD)は、世界中の新生児の母親の約20%に影響を及ぼす重度の周産期精神疾患である。
自記式アンケートやアクティブデジタルログのようなPDDの一般的なスクリーニング手法は、利用者の入力に大きく依存しており、それによって参加者にかなりの負担を課し、長期使用の可能性を制限する。
最近のパッシブモバイルセンシング(PMS)アプローチは、スマートフォンを含む市販のモバイルデバイスからマルチモーダルセンサデータを用いた機械学習手法を用いて、抑うつ症状の低バーデン検出を可能にしている。
しかし、分節後では行動パターンが異なるため、一般的なうつ病や精神障害に対する感覚に基づく指標がPDDに一般化するかどうかの不確実性が高まっている。
そこで我々は,PocketPPDを提案する。PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD,PocketPPD。
PMSのみのモデルではAUCが0.75であり、PMS指向データと自己報告機能を組み合わせたベストパフォーマンスモデルでは0.83であった。
さらに, 乳幼児の発達段階や就業状況などの母体環境によって動的に緩和され, デジタルバイオマーカーの上位者のうち, 朝と深夜の定期的ボラティリティのランクが低下していることが判明した。
本研究は,低バーデンPSDリスクスクリーニングの実証的証拠を提供し,本研究の成果は,周産期におけるメンタルヘルスモニタリングの基盤となるものである。
関連論文リスト
- Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - Deep Learning-Based Detection of Cognitive Impairment from Passive Smartphone Sensing with Routine-Aware Augmentation and Demographic Personalization [9.633221910592804]
認知障害の早期発見は、タイムリーな診断と介入に重要である。
受動的スマートフォンセンシングは、自然主義的かつ継続的な認知モニタリングのための有望なアプローチとして登場した。
日常的な行動特徴の連続から認知障害を検出するために,Long Short-Term Memory (LSTM) モデルを実装した。
論文 参考訳（メタデータ） (2025-09-27T07:08:25Z) - Detecting and explaining postpartum depression in real-time with generative artificial intelligence [5.635300481123079]
この研究は、自然言語処理、機械学習、大規模言語モデルを組み合わせたインテリジェントなPDDスクリーニングシステムに貢献している。
その結果,すべての評価指標に対するpd検出の90%を達成し,文献における競合する解よりも優れた結果を得た。
論文 参考訳（メタデータ） (2025-08-08T07:57:05Z) - Exploration of Adolescent Depression Risk Prediction Based on Census
Surveys and General Life Issues [7.774933303698165]
青年期におけるうつ病の頻度は着実に増加している。
尺度や面接に依存する従来の診断方法は、特に若者のうつ病を検出するには不十分である。
本研究では,高度不均衡な高次元データを管理する手法と,データ構造特性に合わせた適応予測手法を提案する。
論文 参考訳（メタデータ） (2024-01-06T09:14:25Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳（メタデータ） (2022-07-26T02:08:08Z) - Multi-modal Depression Estimation based on Sub-attentional Fusion [29.74171323437029]
うつ病の診断に失敗すると、世界中で2億8000万人以上がこの精神疾患に苦しんでいる。
マルチモーダルデータからうつ病を自動的に識別するタスクに取り組む。
異種情報をリンクするためのサブアテンション機構を導入する。
論文 参考訳（メタデータ） (2022-07-13T13:19:32Z) - 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) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - 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。