論文の概要: Privacy-Preserving ECG-HRV Emotion Classification for Mood Swing Detection using Federated Learning on Constrained Edge Devices

• arxiv url: http://arxiv.org/abs/2611.01853v1
• Date: Sun, 01 Nov 2026 12:45:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:20:01.285286
• Title: Privacy-Preserving ECG-HRV Emotion Classification for Mood Swing Detection using Federated Learning on Constrained Edge Devices
• Title（参考訳）: 拘束エッジデバイス上でのフェデレーション学習を用いたムードスウィング検出のためのプライバシー保護型ECG-HRV感情分類
• Abstract要約: 本稿では、心電図由来の心拍変動(HRV)の特徴から感情状態を分類するプライバシー保護型気分監視フレームワークを提案する。 プライバシを保護するため、このフレームワークは6ノードのRaspberry Piクラスタ上でフェデレーション学習を使用して実装されている。
• 参考スコア（独自算出の注目度）: 0.24629531282150877
• License:
• Abstract: This paper presents a privacy-preserving mood monitoring framework that classifies emotional states from ECG-derived heart rate variability (HRV) features. The framework is evaluated on three public datasets comprising 74 participants and further validated using a wearable device in a pilot study. Leave-One-Participant-Out cross-validation (LOPO-CV) is used to assess generalization to unseen individuals. A series of experiments investigates the impact of temporal windowing, HRV feature selection, and class balancing on both four-class valence-arousal and binary valence classification. Results show that class balancing substantially improves minority-class recall, while Logistic Regression consistently outperforms five alternative classifiers and achieves competitive performance against HRV-based baselines. Pilot validation using a Polar H10 wearable achieves 75% binary valence accuracy on an unseen individual without calibration, demonstrating the feasibility of real-world deployment. To preserve privacy, the framework is also implemented using federated learning on a six-node Raspberry Pi cluster. Federated Logistic Regression achieves performance comparable to centralized training without sharing raw physiological data. These results demonstrate the potential of interpretable and privacy-preserving mood monitoring for continuous mental health assessment in clinical and community settings.
• Abstract（参考訳）: 本稿では、心電図由来の心拍変動(HRV)の特徴から感情状態を分類するプライバシー保護型気分監視フレームワークを提案する。 このフレームワークは、74人の参加者からなる3つの公開データセットで評価され、パイロット研究においてウェアラブルデバイスを使用してさらに検証される。 LOPO-CV(Leave-One-Participant-Out Cross-validation)は、未確認者への一般化を評価するために用いられる。 時間的ウィンドウリング, HRV 特徴選択, クラスバランスが, 4段階の原子価と2段階の原子価の分類に与える影響について検討した。 その結果、クラスバランスは少数クラスのリコールを大幅に改善し、ロジスティック回帰は5つの代替分類器を一貫して上回り、HRVベースのベースラインと競合する性能を達成した。 Polar H10ウェアラブルを使用したパイロット検証は、キャリブレーションのない未確認の個人に対して75%のバイナリ価精度を実現し、現実のデプロイメントの実現可能性を示している。 プライバシを保護するため、このフレームワークは6ノードのRaspberry Piクラスタ上でフェデレーション学習を使用して実装されている。 Federated Logistic Regressionは、生の生理的データを共有することなく、集中的なトレーニングに匹敵するパフォーマンスを達成する。 これらの結果は,臨床および地域社会における継続的なメンタルヘルスアセスメントのための,解釈とプライバシ保護のムードモニタリングの可能性を示す。

関連論文リスト

• Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets [0.06372261626436676]
  本研究は、FedCVRフレームワークを利用可能な5つのリアル心臓血管データセット上で検証することで、このギャップに対処する。 その結果、FedCVRは実データに対する適応的な優位性を維持しており、F1スコアは79.2%、AUCは0.96であることがわかった。 実データ上で測定されたプライバシーコストは、合成実験で観察された優雅な劣化パターンを確認する。
  論文  参考訳（メタデータ） (2026-07-07T18:51:13Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Introducing WARM-VR: Benchmark Dataset for Multimodal Wearable Affect Recognition in Virtual Reality [12.32040756213776]
  WARM-VRは、没入型マルチセンサー環境における影響認識をサポートするために設計された、新しいデータセットである。 19～37歳の被験者31名からウェアラブルセンサーを用いてデータを収集した。
  論文  参考訳（メタデータ） (2026-04-30T20:00:56Z)
• Deep Learning-based Assessment of the Relation Between the Third Molar and Mandibular Canal on Panoramic Radiographs using Local, Centralized, and Federated Learning [0.3186329231961084]
  下顎管近傍における下顎第三大臼歯の衝撃は、下歯槽神経損傷のリスクを増大させる。 臼歯部オーバーラップの自動分類は臨床トリアージを補助し,不必要なCBCTレファラールを減少させる可能性がある。 フェデレートラーニングは、患者データを共有せずにマルチセンターのコラボレーションを可能にする。
  論文  参考訳（メタデータ） (2026-03-12T12:17:17Z)
• C-GRASP: Clinically-Grounded Reasoning for Affective Signal Processing [0.0]
  心拍変動(HRV)は、自律神経監視のための重要な非侵襲マーカーである。 大規模言語モデル(LLM)をHRV解釈に適用することは、生理的幻覚によって妨げられる。 我々は,HRV解釈を8つのトレース可能な推論ステップに分解する,ガードレール付きRAG拡張パイプラインであるC-GRASPを提案する。
  論文  参考訳（メタデータ） (2026-01-15T12:35:35Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Deep-seeded Clustering for Emotion Recognition from Wearable Physiological Sensors [1.380698851850167]
  本稿では,生理的信号から特徴を最小限に抽出し,分類するディープシードクラスタリングアルゴリズムを提案する。 本モデルは,感情コンピューティング研究で頻繁に使用される3つのデータセットに対して,良好な性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-17T14:37:35Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。