Toward Automatic Anxiety Detection in Autism: A Real-Time Algorithm for Detecting Physiological Arousal in the Presence of Motion
Notice bibliographique
Résumé
OBJECTIVE: Anxiety is a significant clinical concern in autism spectrum disorder (ASD) due to its negative impact on physical and psychological health. Treatment of anxiety in ASD remains a challenge due to difficulties with self-awareness and communication of anxiety symptoms. To reduce these barriers to treatment, physiological markers of autonomic arousal, collected through wearable sensors, have been proposed as real-time, objective, and language-free measures of anxiety. A critical limitation of the existing anxiety detection systems is that physiological arousal is not specific to anxiety and can occur with other user states such as physical activity. This can result in false positives, which can hinder the operation of these systems in real-world situations. The objective of this paper was to address this challenge by proposing an approach for real-time detection and mitigation of physical activity effects. METHODS: A novel multiple model Kalman-like filter is proposed to integrate heart rate and accelerometry signals. The filter tracks user heart rate under different motion assumptions and chooses the appropriate model for anxiety detection based on user motion conditions. RESULTS: Evaluation of the algorithm using data from a sample of children with ASD shows a significant reduction in false positives compared to the state-of-the-art, and an overall arousal detection accuracy of 93%. CONCLUSION: The proposed method is able to reduce false detections due to user motion and effectively detect arousal states during movement periods. SIGNIFICANCE: The results add to the growing evidence supporting the feasibility of wearable technologies for anxiety detection and management in naturalistic settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».