Multi-resolution Time-frequency Spectral Derivative Spike Detection for Episode Onset Detection using Passively Collected Sensor Data
Notice bibliographique
Résumé
We analyzed data from 145 participants, the majority of which were diagnosed with BD I (92 (63.4%) and 53 (36.6%) with BD II. The participants have been enrolled in the study for a duration of 449±224 days until June 23, 2023. Participants were provided with an Oura smart sensor (Oura Health Oy, Generation 2, Oulu, Finland), a wearable ring that continuously measures activity (e.g., number of steps), sleep (e.g., total sleep duration), and cardiorespiratory variables (e.g., heart rate). The participants were mailed a sizing kit for individualized sensor size selection to ensure optimal skin-sensor contact and data quality. Additionally, participants received a secure e-mailed link asking them to complete a weekly Patient Health Questionnaire (PHQ-9) through a secure email link. Participants must complete all items on both self-rating scales to submit their ratings. For the analysis of activity data, we selected the number of daily steps as a representative variable. As for sleep data, we analyzed the minutes of total sleep per night. We performed multivariate oscillatory mode decomposition using the CEEMD-AN algorithm, followed by Hilbert-based instantaneous frequency computation, and data-driven spectral derivative spike detection. The total PHQ-9 self-rating scale at the vicinity of each detected spike in activity or sleep variability rate was used for labeling episodes of illness on a weekly basis. Using the daily step variable to represent sample activity data, the implementation of the MR-TF-SD 2 algorithm on our database showed decreasing levels of episode onset detection sensitivity with decreasing time resolution. Similarly, using the daily total sleep variable as sample sleep data, episode onset detection sensitivity decreased from day-to-day patterns to monthly total sleep patterns
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».