Human Mental State Monitoring in the Wild: Are We Better Off with DeeperNeural Networks or Improved Input Features?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Advances in wearable devices have allowed for the collection of multimodal biomedical data from hundreds of subjects in everyday environments (i.e., in the wild). This has enabled the development of real-time monitoring of various human mental states, such as stress and anxiety, in highly ecological settings. Within a hospital setting, for example, this allows for prediction of burnout within medical staff, as well as anxiety within the patient population, thus improving their quality-of-life. Long-term monitoring via wearables has allowed for large amounts of data to be collected – so-called big data– and thus has opened doors for new applications relying on data-heavy deep learning algorithms. One question that remains unanswered, however, concerns the benefits of blindly applying deep learning algorithms with the collected data versus spend-ing some time and resources on feature engineering prior to machine learning. Feature engineering relies on domain knowledge to extract relevant parameters from the collected signals. In this paper, we aim to answer this question. In particular, we use a dataset collected from 200 hospital workers over a period of 10weeks during their work shifts. We compare the advantages of using data directly from the wearable devices and applying them to deep learning algorithms versus carefully-crafted features ap-plied to conventional machine learning algorithms. Experimental results are reported for stress and anxiety measurement from heart and breathing rate signals.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle