双極性障害エピソード予測のための動的増分半教師つきファジィクラスタリング【JST・京大機械翻訳】

Casalino Gabriella; Castellano Giovanna; Galetta Francesco; Kaczmarek-Majer Katarzyna

文献

J-GLOBAL ID：202002231615235758 整理番号：20A2339753

双極性障害エピソード予測のための動的増分半教師つきファジィクラスタリング【JST・京大機械翻訳】

Dynamic Incremental Semi-supervised Fuzzy Clustering for Bipolar Disorder Episode Prediction

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A2339753&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A2339753&from=J-GLOBAL&jstjournalNo=H0078D") }}

著者 (4件)： , , ,
資料名：
巻： 12323 ページ： 79-93 発行年： 2020年
JST資料番号： H0078D ISSN： 0302-9743 資料種別：会議録 (C)
記事区分：原著論文発行国：ドイツ (DEU) 言語：英語 (EN)

双極性障害(BD)は,鬱病とマニアから混合状態まで,正常胸腺症(健康状態)からエピソードの変化を特徴とする慢性精神病である。この状況において,スマートフォンと患者の相互作用を通して収集されたデータは,開始エピソードの早期予測を支持する予測モデルの作成を可能にする。新しいBDエピソードの予測に関する以前の研究は,ラベル付きデータを必要とする教師つき学習法を使用し,従って,有効なラベル(精神評価から)を持つデータのみを保持するための利用可能なデータのフィルタリングを強制する。教師つき学習の限界を避けるため,本論文では,BDエピソード予測のモデルを導出するために,ラベル付きおよびラベルなしデータの両方を組み合わせた半教師つき学習手法の使用を検討した。具体的には,スマートフォンによって捉えられた音声信号のデータストリームをインクリメンタルな方法で処理する可能性を提供するDISSFCM(動的増分半教師つきファジィC-平均)アルゴリズムを適用し,従って,静的学習法によって無視されるデータの進化時間構造を利用した。DISSFCMプロセスデータはチャンクの形式でデータを生成し,データの隠れた幾何学的構造をよりよく捉えるために新しいクラスタを生成する分割機構によりクラスタの動的収集を生成する。これにより,DISSFCMは,データの変化を検出し,モデルに動的に適応し,その結果,予測精度を改善した。Warsaw(Poland)の精神科と神経学研究所で収集された実世界データに関する予備的結果は,DISSFCMが,ラベル付きデータの25%だけが利用できる場合でも,健康エピソード(euthymia)と疾患エピソードのいくつかを予測できることを示した。さらに,DISSFMは分割なしの以前のバージョン(ISSFCM)よりも良好に機能し,モデルを作成するために全データセットを使用するバッチアルゴリズム(SSFCM)も克服する。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

著者キーワード (10件)： , , , , , , , , ,

人工知能

, , , ,

前のページに戻る