論文の概要: Under-Mattress Temporal Sensing for Next-Day Agitation Risk Scoring in Dementia Wards
- arxiv url: http://arxiv.org/abs/2608.28152v1
- Date: Fri, 28 Aug 2026 10:14:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.270473
- Title: Under-Mattress Temporal Sensing for Next-Day Agitation Risk Scoring in Dementia Wards
- Title（参考訳）: 認知症病棟における翌日の扇動リスク評価のためのマットレス下時間センシング
- Abstract要約: 急上昇は認知症に罹患する人々の短期的な地平線で変動するが、翌日のリスクを予測するための継続的な生理的情報は限られている。
特発性認知症患者65名中423名を対象に,2種類の下マットレスセンシングシステムを用いて分析を行った。
前の夜の信号は、直近のリスク差別を控えめに支持し、極小レベルの時間モデリングは夜のサマリーを上回った。
- 参考スコア（独自算出の注目度）: 6.764371520337537
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agitation fluctuates over short time horizons in people living with dementia, yet continuous physiological information for anticipating next-day risk is limited. We assessed whether contactless under-mattress signals from the preceding night inform next-day agitation risk and whether preserving minute-level temporal structure improves performance over conventional nightly summaries. We analyzed 423 patient-nights from 65 subjects in a specialized hospital dementia unit using two under-mattress sensing systems. A unified four-paradigm benchmark compared nightly handcrafted summaries, three-period handcrafted features, full-night sequence modeling, and sliding-window multiple-instance learning. Source-specific preprocessing and five-fold patient-grouped cross-validation were used, with performance estimated from pooled out-of-fold predictions. Evaluation included discrimination, calibration, fixed-threshold metrics, and a comparison of period-signal attribution patterns across two temporal models. Full-night sequence modeling achieved the highest discrimination (AUROC, 0.692; AUPRC, 0.849) and balanced accuracy (0.658). Both minute-level pipelines had higher AUROC than nightly summaries, but differences from three-period handcrafted features were uncertain. Cross-model attribution prioritized activity, heart rate, and respiratory rate during the core overnight period. Calibration remained limited. The preceding night's signals supported modest next-day risk discrimination, with minute-level temporal modeling outperforming nightly summaries. Prospective calibration and external validation are needed before use in individual care decisions. This patient-grouped benchmark identifies contactless overnight sensing as a promising biomedical engineering direction for agitation-risk research in hospitalized dementia cohorts.
- Abstract（参考訳）: 急上昇は認知症に罹患する人々の短期的な地平線で変動するが、翌日のリスクを予測するための継続的な生理的情報は限られている。
本研究は,前夜の非接触下マットレス信号が翌日の動揺リスクを知らせるかどうか,また,従来の夜間サマリーよりも微視的時間構造を保たせることにより,性能が向上するか否かを検証した。
特発性認知症患者65名中423名を対象に,2種類の下マットレスセンシングシステムを用いて分析を行った。
統合された4パラダイムのベンチマークでは、夜間の手作りサマリー、3周期手作りの特徴、フルナイトシーケンスモデリング、スライディングウインドウのマルチインスタンス学習を比較した。
ソース特異的プレプロセッシングと5倍の患者グループによるクロスバリデーションを用い,プールドアウトオブフォールド予測から性能を推定した。
評価には、識別、校正、固定閾値測定、および2つの時間モデルにおける周期信号帰属パターンの比較が含まれる。
フルナイト・シーケンス・モデリングは最も高い差別(AUROC, 0.692; AUPRC, 0.849)とバランスの取れた精度(0.658)を達成した。
どちらのマイクロレベルパイプラインも夜間のサマリーよりもAUROCが高かったが、3周期のハンドクラフトとの違いははっきりしなかった。
クロスモデル属性は、一晩中における活動、心拍数、呼吸速度を優先した。
校正期間は限られていた。
前の夜の信号は、直近のリスク差別を控えめに支持し、極小レベルの時間モデリングは夜のサマリーを上回った。
個別のケア決定に使用するには、前向きの校正と外部の検証が必要である。
この患者グループ化されたベンチマークは、無接触で一晩のセンシングを、入院した認知症コホートにおける扇動リスク研究の有望なバイオメディカルエンジニアリングの方向性として特定する。
関連論文リスト
- Machine Learning for Depression Screening and Intervention: an Original Circadian Rhythm Score-based Methodology [18.76197876841284]
概日変動を概日リズムの統一表現に圧縮する複合指標であるCircadian Rhythm Score (CRS)を提案する。
CRSは、行動意味を保ちつつ、うつ病スクリーニングのための識別力を最大化するために構築される。
本研究では,勾配木とSHAP解析に基づいて,概日リズムと抑うつリスクの非線形的・飽和的関連を明らかにする,解釈可能な抑うつスクリーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-06T04:04:32Z) - Uncovering Trajectory and Topological Signatures in Multimodal Pediatric Sleep Embeddings [2.2917707112773593]
本研究は, 自己エンコーダに埋め込まれた30秒の小児PSGエポックに含まれるセッションワイド診断情報について検討する。
本研究は, PHATE 由来の組込み座標と一晩移動記述子, 組込み雲の持続的ホモロジー要約, EHR がタスク関連信号を生成するかどうかを検証した。
論文 参考訳（メタデータ） (2026-05-13T22:11:28Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - Adversarial Spatio-Temporal Attention Networks for Epileptic Seizure Forecasting [4.750750705838807]
本稿では,脳の接続性や時間的神経力学をモデル化し,空間的時間的モジュールを交互に組み合わせたアテンションブロックを提案する。
連続した90分間の地震前モニタリングは、早期検出を可能にする学習された脳波の注意パターンを明らかにする。
論文 参考訳（メタデータ） (2025-11-03T06:48:54Z) - Spatio-Temporal Attention Network for Epileptic Seizure Prediction [4.750750705838807]
本稿では,脳波信号の複雑な時間的相関構造をS-Temporal Attention Network (STAN)を通して学習し,てんかん患者の発症発作の正確な予測を行う。
本フレームワークは、患者固有の窓が起動する少なくとも15分前の前立腺状態を45分以上確実に検出し、臨床応用に十分な介入時間を与える。
論文 参考訳（メタデータ） (2025-10-24T01:45:25Z) - On Minimax Estimation of Parameters in Softmax-Contaminated Mixture of Experts [66.39976432286905]
ゲーティングおよびプロンプトパラメータの最大極大推定器の収束率について検討する。
事前学習したモデルと重なり合う知識を取得すると,これらのパラメータの推定可能性が損なわれることがわかった。
論文 参考訳（メタデータ） (2025-05-24T01:30:46Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - Automatically measuring speech fluency in people with aphasia: first
achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文 参考訳（メタデータ） (2023-08-09T07:51:40Z) - Undersampling and Cumulative Class Re-decision Methods to Improve
Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。
前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。
本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文 参考訳（メタデータ） (2023-02-07T03:14:00Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z)
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。