抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ストレス,不安,および神経性は日常生活におけるすべての高リスク健康状態である。以前に,ストレスレベルは人々と話し,最近または過去に経験したものへの洞察を得ることによって決定された。典型的には,ストレスは長時間前に発生する発生率によって引き起こされるが,時には,未知の因子によって引き起こされる。これは,挑戦的で複雑なタスクであるが,最近の研究の進歩は,それを自動化する多くの機会を提供する。これらの技術の基本的特徴は,電気皮膚活性(EDA)と心拍数値(HRV)である。この課題を解決するために,身体運動を測定するために加速度計を利用した。提案した新しい方法は,サイバー物理システムを用いた現代の時間におけるストレス生活習慣病を検出するための低コストおよび時間節約解決策を提供するために,被験者の心電図(ECG),ガルバニ皮膚値(GSV),HRV値および身体運動を測定する試験を採用した。本研究は,特徴の最良の収集を採り,分類精度を増加させる間,実行時間を減少させる生活習慣病分類のための新しいハイブリッドモデルを提供する。開発した手法は,WESAD(ウェアラブルストレスと影響データセット)データセットを用いてクラス不均衡問題を扱うことができる。新しいモデルは,グリッド探索(GS)法を用いて,ハイパーパラメータの最適化集合を選択し,そして,データセットを分類するための推定子として,相関係数ベースの再帰特徴除去(CoC-RFE)法の組合せを用いて,高精度を達成し,そして,スマートで,正確で,高品質な健康管理システムを提供するのを助ける,データセットを分類するための推定子として,勾配ブースティング(CoC-RFE)法を使用した。。また,それは,データセットを分類するための推定子として,相関係数ベースの再帰性特徴除去(CoC-RFE)法の組合せを用いる。”その方法”は,データセットを分類するための推定子として,相関係数ベースの再帰性特徴除去(CoC-RFE)法の組合せを用いる。提案した方法論の妥当性と有用性を実証するために,その性能を他の良く確立された機械学習モデルのそれらと比較した。【JST・京大機械翻訳】