論文の概要: Temporal Graph Learning of Wearable Actigraphy and Sleep Traces for Modelling Adolescent Crystallized Intelligence

• arxiv url: http://arxiv.org/abs/2609.33428v1
• Date: Sun, 27 Sep 2026 10:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 17:02:46.350115
• Title: Temporal Graph Learning of Wearable Actigraphy and Sleep Traces for Modelling Adolescent Crystallized Intelligence
• Title（参考訳）: 青年期水晶体知能のモデル化のためのウェアラブルアクチグラフィーと睡眠トレースの時間グラフ学習
• Abstract要約: 本研究では,睡眠活動型テンポラル統合回帰ネットワークであるSATURNを提案する。 参加者は、日々の行動と時間的隣接をコードする21ノードの時間グラフとして表現される。 STURNは家族によって制御され、年齢差のBMI階層化されたクロスバリデーションの下で、R2 = 0.2783 pm 0.0127$を達成し、フラット化された機械学習を継続的に改善している。
• 参考スコア（独自算出の注目度）: 2.063951345911127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable actigraphy offers a scalable, ecologically valid alternative to episodic clinical assessment. However, predicting continuous adolescent crystallized intelligence ($G_c$) from such traces remains challenging due to irregular device adherence and complex behavioral-environmental interactions. We address this using daily summary data derived from 21-day Fitbit records of 6,091 adolescents in the Adolescent Brain Cognitive Development Study (Release 5.1). We propose SATURN, a Sleep-Activity Temporal Unified Regression Network. It represents participants as 21-node temporal graphs encoding daily behaviors and temporal adjacency. To prevent imputation artifacts, invalid-day edges are dynamically pruned during forward passes. Node embeddings are refined via residual GATv2 layers, aggregated through masked attention pooling, and fused with sociodemographic covariates. Under family-controlled, age-sex-BMI-stratified cross-validation, SATURN achieves $R^2 = 0.2783 \pm 0.0127$, consistently improving upon flattened machine learning (Gradient Boosting, $R^2 = 0.2372$) and sequential deep learning (BiLSTM, $R^2 = 0.2688$) baselines. Explainability analyses identify light activity, metabolic equivalents, and sleep duration as dominant predictors, while Monte Carlo dropout and subgroup analyses confirm equitable performance across sociodemographic strata. Ultimately, SATURN establishes a rigorous computational framework for digital cognitive phenotyping, offering a scalable pathway to complement traditional assessments by highlighting macro-level behavioral anomalies.
• Abstract（参考訳）: ウェアラブルアクチグラフィーは、拡張性があり、生態学的に有効な、エピソードな臨床評価の代替手段を提供する。 しかし、このような痕跡から青年期連続結晶化知能(G_c$)を予測することは、不規則なデバイス付着と複雑な行動環境相互作用のため、依然として困難である。 青年期脳認知発達研究(リレーゼ5.1)において、21日間のFitbit記録6,091人の青年記録から得られた日次要約データを用いて、この問題に対処する。 睡眠活動型テンポラル統合回帰ネットワークSATURNを提案する。 参加者は、日々の行動と時間的隣接をコードする21ノードの時間グラフとして表現される。 インキュベーションアーティファクトを防止するため、前方通過中に無効デイエッジを動的にプルーニングする。 ノードの埋め込みは、残留するGATv2層を介して洗練され、マスキングされた注意プールを通して集約され、社会デマグラフィーの共変体と融合する。 STURNは、家族制御、年齢差BMI階層型クロスバリデーションの下で、$R^2 = 0.2783 \pm 0.0127$を達成し、フラットな機械学習(Gradient Boosting, $R^2 = 0.2372$)とシーケンシャルディープラーニング(BiLSTM, $R^2 = 0.2688$)のベースラインを一貫して改善している。 説明可能性分析では,光活動,メタボリック等価量,睡眠持続時間が支配的な予測因子として同定され,モンテカルロの降雨量およびサブグループは社会デマグラフィー層全体で同等の性能が確認された。 最終的に、SATURNは、デジタル認知表現のための厳密な計算フレームワークを確立し、マクロレベルの行動異常を強調することで従来の評価を補完するスケーラブルな経路を提供する。

関連論文リスト

• TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
  TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。 TimeLitmusには財務と交通の計4,856件の評価記録がある。
  論文  参考訳（メタデータ） (2026-09-21T14:38:49Z)
• 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)
• Longitudinal and Graph-Augmented Prediction of Adolescent Substance Use Onset in the ABCD Study [7.253454377063918]
  アルコールシッピング, アルコール使用, 大麻使用, および大麻使用を予測するための断面, 縦, グラフベースのアプローチの比較を行った。 我々は,家族,学校,特徴相似性グラフから構築したツリーベースモデル,リカレントニューラルネットワーク,テンポラルグラフ畳み込みネットワーク(T-GCN)を評価した。
  論文  参考訳（メタデータ） (2026-06-12T05:00:30Z)
• SL-BiLEM: Structured Learnable Behavior-in-the-Loop Epidemic Modeling for Forecasting and Policy Evaluation [42.644852156101685]
  エピデミック予測は、人間の行動が病気の拡散に動的に反応する、という根本的な課題に直面している。 頑健な外挿のための正則化として物理的制約を利用するtextbfSL-BiLEM(Structured Learnable Behavior-in-the-Loop Epidemic Model)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T08:46:04Z)
• 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)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• 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)
• Temporal Vegetation Index-Based Unsupervised Crop Stress Detection via Eigenvector-Guided Contrastive Learning [0.0]
  EigenCLは、時間的NDREダイナミクスによってガイドされる教師なしのコントラスト学習フレームワークである。 データスカース農業環境における実世界の展開に適している。
  論文  参考訳（メタデータ） (2025-06-03T21:06:26Z)
• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)

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。