論文の概要: Neurai-VN Benchmark: Standardized Machine Learning Models for Multimodal Digital Phenotyping in Mental Health Classification

• arxiv url: http://arxiv.org/abs/2607.25232v1
• Date: Tue, 28 Jul 2026 03:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.690552
• Title: Neurai-VN Benchmark: Standardized Machine Learning Models for Multimodal Digital Phenotyping in Mental Health Classification
• Title（参考訳）: ニューライ-VNベンチマーク:メンタルヘルス分類におけるマルチモーダルデジタル表現のための標準化された機械学習モデル
• Abstract要約: スマートフォンとウェアラブルデバイスを用いたデジタル表現型検索(DP)は、メンタルヘルスモニタリングにかなりの可能性を秘めている。 本研究では,Neurai-VNデータセットをベースとした再現可能なベンチマークを提案する。 このベンチマークでは、標準化された主観的クロスバリデーションを用いて評価された4つの臨床関連バイナリ分類タスクを定義した。
• 参考スコア（独自算出の注目度）: 2.855996757299163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital phenotyping (DP) using smartphones and wearable devices has shown considerable potential for mental health monitoring. However, progress remains difficult to evaluate due to heterogeneous datasets, inconsistent preprocessing pipelines. In this study, we present a reproducible benchmark built upon the Neurai-VN dataset, a high-resolution, multimodal dataset comprising passive sensing and active assessment from wearable and smartphone devices, collected from 100 Vietnamese adults over two weeks. The benchmark defines four clinically relevant binary classification tasks evaluated using standardized subject-wise cross-validation. Representative linear, tree-based, and neural baseline models are evaluated across predefined feature configurations. Mean subject-level F1 scores across five cross-validation folds reached 0.71 for Healthy Control vs. Depression and Healthy Control vs. Clinical, while Healthy Control vs. Anxiety and Depression vs. Anxiety achieved 0.69 and 0.56, respectively. These benchmark results provide reproducible baselines for future research on multimodal DP for mental health classification tasks.
• Abstract（参考訳）: スマートフォンとウェアラブルデバイスを用いたデジタル表現型検索(DP)は、メンタルヘルスモニタリングにかなりの可能性を秘めている。 しかし、不均一なデータセット、一貫性のない前処理パイプラインのために、進捗を評価することは依然として困難である。 本研究では,2週間にわたって100人のベトナム人成人から収集した,ウェアラブルおよびスマートフォンデバイスからの受動的センシングとアクティブアセスメントを含む高解像度マルチモーダルデータセットであるNeurai-VNデータセットに基づく再現性ベンチマークを提案する。 このベンチマークでは、標準化された主観的クロスバリデーションを用いて評価された4つの臨床関連バイナリ分類タスクを定義した。 選択線形、ツリーベース、ニューラルベースラインモデルは、予め定義された特徴構成で評価される。 被験者レベルF1スコアは5つのクロスバリデーション・フォールドで0.71点,健康管理と健康管理は0.6点,健康管理と不安と抑うつは0.69点,不安は0.56点であった。 これらのベンチマークは、メンタルヘルス分類タスクのためのマルチモーダルDP研究のための再現可能なベースラインを提供する。

関連論文リスト

• Towards a General Intelligence and Interface for Wearable Health Data [45.854819784803055]
  本研究では,1兆分以上の未ラベルセンサ信号に基づいて,ウェアラブルヘルスの基盤モデルを提案する。 この集団スケールの表現は、ラベル効率のよい少数ショット学習と生成能力を有効化して、1日あたりのロバストな計量推定を行う。
  論文  参考訳（メタデータ） (2026-05-21T17:24:06Z)
• A Benchmark Suite of Reddit-Derived Datasets for Mental Health Detection [0.0]
  Redditをベースとした4つのデータセットのベンチマークセットを提示する。 全てのデータセットは、厳密な言語検査、明確に定義された注釈ガイドライン、人間の判断による検証に基づいて確立された。
  論文  参考訳（メタデータ） (2026-04-25T22:20:53Z)
• Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [69.86604856129883]
  外科的音声品質評価(DSQA)は臨床診断と包括的音声技術において重要である。 本研究では,未ラベルの変形音声と大規模典型的な音声データセットを併用した3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:07Z)
• MedGRPO: Multi-Task Reinforcement Learning for Heterogeneous Medical Video Understanding [47.843626983298726]
  textbfMedVidBenchは、ビデオ、セグメント、フレームレベルのタスクにまたがる8つの医療ソースにわたる531,850のビデオインストラクションペアの大規模なベンチマークである。 MedVidBenchの教師付き微調整は顕著な利益をもたらすが、標準強化学習はデータセット間の不均衡な報酬スケールのために失敗する。 textbfMedGRPOは、2つの重要な革新を伴うバランスの取れたマルチデータセットトレーニングのための新しいRLフレームワークである。
  論文  参考訳（メタデータ） (2025-12-06T22:27:59Z)
• A Machine Learning Approach for Detection of Mental Health Conditions and Cyberbullying from Social Media [0.0]
  メンタルヘルスの課題とサイバーいじめは、デジタル空間でますます広まっている。 本稿では、ソーシャルメディアデータから10種類のメンタルヘルスとサイバーいじめのカテゴリを検出するための統合型マルチクラス分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T07:12:09Z)
• MF-GCN: A Multi-Frequency Graph Convolutional Network for Tri-Modal Depression Detection Using Eye-Tracking, Facial, and Acoustic Features [2.957755315403663]
  うつ病 (depression) は、過度の低気分とアンヘドニアを特徴とする、世界的なメンタルヘルス障害である。 臨床評価対象103名のゴールド・スタンダード・データセットをトリパーティイト・データ・アプローチで収集した。 眼球追跡データは、うつ病群で頻繁に観察される負刺激に対する注意バイアスを定量化する。 音声およびビデオデータは、うつ病の特徴である感情的平坦化と精神運動的遅滞を捉えている。
  論文  参考訳（メタデータ） (2025-11-19T18:18:53Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Mental Multi-class Classification on Social Media: Benchmarking Transformer Architectures against LSTM Models [7.464241214592479]
  本稿では,精神保健ポストを分類するために,LSTM(Long Short-Term Memory)モデルと最先端トランスフォーマーの比較を行った。 まず、厳密なフィルタリングと統計的探索分析を用いて、6つのメンタルヘルス状態とコントロールグループにまたがるReddit投稿の大規模なデータセットをキュレートし、アノテーションの品質を保証する。 実験結果から, トランスフォーマーモデルは, 全クラスで91-99%のF1スコアとアキュラシーを達成した。
  論文  参考訳（メタデータ） (2025-09-20T05:41:59Z)
• RadReason: Radiology Report Evaluation Metric with Reasons and Sub-Scores [37.16761198532088]
  放射線学報告のための新しい評価フレームワークRadReasonを紹介する。 6つの臨床的に定義されたエラータイプにまたがって、きめ細かいサブスコアを出力する。 また、スコアの背景にある根拠を説明する人間可読な正当性も生み出す。
  論文  参考訳（メタデータ） (2025-08-21T11:34:30Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• Neuron Activation Coverage: Rethinking Out-of-distribution Detection and Generalization [34.88219742339634]
  InDデータに基づくニューロン行動の簡易な測定法として,テクスチトニューロンアクティベーションカバレッジ(NAC)を導入する。 InDとOODの入力はニューロンの挙動に基づいて大きく分離することができ、OOD検出問題を著しく緩和できることを示す。
  論文  参考訳（メタデータ） (2023-06-05T13:50:56Z)
• Prediction of Depression Severity Based on the Prosodic and Semantic Features with Bidirectional LSTM and Time Distributed CNN [14.994852548758825]
  抑うつ予測のための注意に基づくマルチモーダリティ音声とテキスト表現を提案する。 本モデルは,OzデータセットのDistress Analysis Interview Corpus-Wizardを用いて,参加者のうつ病重症度を推定するために訓練された。 実験では、過去の研究よりも統計的に有意な改善が見られた。
  論文  参考訳（メタデータ） (2022-02-25T01:42:29Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。