論文の概要: PhysioMTL: Personalizing Physiological Patterns using Optimal Transport
Multi-Task Regression
- arxiv url: http://arxiv.org/abs/2203.12595v1
- Date: Sat, 19 Mar 2022 19:14:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-26 15:27:14.932232
- Title: PhysioMTL: Personalizing Physiological Patterns using Optimal Transport
Multi-Task Regression
- Title（参考訳）: 最適輸送マルチタスク回帰を用いた生理的パターンのパーソナライズ
- Authors: Jiacheng Zhu, Gregory Darnell, Agni Kumar, Ding Zhao, Bo Li, Xuanlong
Nguyen, Shirley You Ren
- Abstract要約: 心拍変動 (HRV) は、自律神経活動の実用的で非侵襲的な指標である。
我々は,マルチタスク学習フレームワークにおける最適輸送理論を利用して,生理的マルチタスク学習(PhysioMTL)を開発する。
- 参考スコア（独自算出の注目度）: 21.254400561280296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart rate variability (HRV) is a practical and noninvasive measure of
autonomic nervous system activity, which plays an essential role in
cardiovascular health. However, using HRV to assess physiology status is
challenging. Even in clinical settings, HRV is sensitive to acute stressors
such as physical activity, mental stress, hydration, alcohol, and sleep.
Wearable devices provide convenient HRV measurements, but the irregularity of
measurements and uncaptured stressors can bias conventional analytical methods.
To better interpret HRV measurements for downstream healthcare applications, we
learn a personalized diurnal rhythm as an accurate physiological indicator for
each individual. We develop Physiological Multitask-Learning (PhysioMTL) by
harnessing Optimal Transport theory within a Multitask-learning (MTL)
framework. The proposed method learns an individual-specific predictive model
from heterogeneous observations, and enables estimation of an optimal transport
map that yields a push forward operation onto the demographic features for each
task. Our model outperforms competing MTL methodologies on unobserved
predictive tasks for synthetic and two real-world datasets. Specifically, our
method provides remarkable prediction results on unseen held-out subjects given
only $20\%$ of the subjects in real-world observational studies. Furthermore,
our model enables a counterfactual engine that generates the effect of acute
stressors and chronic conditions on HRV rhythms.
- Abstract（参考訳）: 心拍変動(HRV)は、自律神経活動の実用的で非侵襲的な尺度であり、心臓血管健康において重要な役割を果たす。
しかし,HRVを用いて生理状態を評価することは困難である。
臨床状況でも、hrvは身体活動、精神的なストレス、水和、アルコール、睡眠などの急性ストレスに敏感である。
ウェアラブルデバイスは便利なHRV測定を提供するが、測定と非捕獲応力の異常は従来の分析手法に偏っている可能性がある。
下流医療応用におけるHRV測定をより正確に解釈するために、個人ごとの正確な生理指標としてパーソナライズされた日リズムを学習する。
我々は,MTL(Multitask-learning)フレームワークにおける最適輸送理論を利用して,生理的マルチタスク学習(PhysioMTL)を開発する。
提案手法は,異種観測から個人固有の予測モデルを学習し,各タスクの人口統計学的特徴に対して前進操作を行う最適輸送マップの推定を可能にする。
本モデルでは,合成データセットと実世界の2つのデータセットの観測不能な予測タスクにおいて,競合するMTL手法よりも優れる。
具体的には, 実世界の観測研究において, 対象者の20～%が有意な有意な予測結果を示した。
さらに本モデルでは,hrvリズムに対する急性ストレスと慢性状態の影響を発生させる反事実エンジンを実現する。
関連論文リスト
- Stressor Type Matters! -- Exploring Factors Influencing Cross-Dataset Generalizability of Physiological Stress Detection [5.304745246313982]
本研究では,2次応力検出のためのHRV機能に基づいて学習した機械学習モデルの一般化可能性について検討する。
以上の結果から,モデル一般化可能性に重要な因子であるストレスタイプが示唆された。
我々は、新しい環境にHRVベースのストレスモデルを展開する際に、ストレスタイプをマッチングすることを推奨する。
論文 参考訳（メタデータ） (2024-05-06T14:47:48Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - An optimized hybrid solution for IoT based lifestyle disease
classification using stress data [2.3909933791900326]
提案手法は、被験者の心電図(ECG)、ガルバニック皮膚値(GSV)、HRV値、体の動きを測定するテストを用いている。
開発したアプローチは、WASADデータセットを使用して、クラス不均衡問題に対処することができる。
論文 参考訳（メタデータ） (2022-04-04T05:52:48Z) - Personalized Stress Monitoring using Wearable Sensors in Everyday
Settings [9.621481727547215]
心拍数(HR)と心拍変動率(HRV)に基づく日常生活ストレスレベルの客観的予測について検討する。
本稿では、ラベル付けのためのデータサンプルの調整可能なコレクションをサポートする、個人化されたストレス監視のための階層化システムアーキテクチャと、ラベル付けのためのリアルタイムデータのストリームから情報化サンプルを選択する方法を提案する。
論文 参考訳（メタデータ） (2021-07-31T04:15:15Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Self-supervised transfer learning of physiological representations from
free-living wearable data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
論文 参考訳（メタデータ） (2020-11-18T23:21:34Z) - Learning Generalizable Physiological Representations from Large-scale
Wearable Data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。
本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
論文 参考訳（メタデータ） (2020-11-09T17:56:03Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。