論文の概要: Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals

• arxiv url: http://arxiv.org/abs/2412.09758v2
• Date: Fri, 16 May 2025 05:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:11.680775
• Title: Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals
• Title（参考訳）: 生理信号の多変量ウェアラブルセンシングの基礎モデルに向けて
• Authors: Yunfei Luo, Yuliang Chen, Asif Salekin, Tauhidur Rahman,
• Abstract要約: 本稿では,ウェアラブルセンシングデータから情報表現を抽出するための,最初のマルチモーダル・ユビキタス基盤モデルを提案する。 具体的には,センサ内およびセンサ間の両方の信号パターンを検出するための特別な連絡トークンを共用したチャネル認識型アテンション機構を設計する。 本モデルでは, メンタルヘルス, 身体状態推定, バイタルサイン推定, 疾患リスク評価など, 11のパブリックなウェアラブルセンシングデータセットに対して, 異常な一般化性を示す。
• 参考スコア（独自算出の注目度）: 2.370585289844609
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-series foundation models excel at tasks like forecasting across diverse data types by leveraging informative waveform representations. Wearable sensing data, however, pose unique challenges due to their variability in patterns and frequency bands, especially for healthcare-related outcomes. The main obstacle lies in crafting generalizable representations that adapt efficiently across heterogeneous sensing configurations and applications. To address this, we propose NormWear, the first multi-modal and ubiquitous foundation model designed to extract generalized and informative representations from wearable sensing data. Specifically, we design a channel-aware attention mechanism with a shared special liaison [CLS] token to detect signal patterns in both intra-sensor and inter-sensors. This helps the model to extract more meaningful information considering both time series themselves and the relationships between input sensors. This helps the model to be widely compatible with various sensors settings. NormWear is pretrained on a diverse set of physiological signals, including PPG, ECG, EEG, GSR, and IMU, from various public datasets. Our model shows exceptional generalizability across 11 public wearable sensing datasets, spanning 18 applications in mental health, body state inference, vital sign estimation, and disease risk evaluation. It consistently outperforms competitive baselines under zero-shot, partial-shot, and full-shot settings, indicating broad applicability in real-world health applications.
• Abstract（参考訳）: 時系列基礎モデルは、情報的な波形表現を活用することで、多様なデータタイプをまたいだ予測のようなタスクに優れています。 しかし、ウェアラブルセンシングデータは、特に医療関連の結果に対して、パターンや周波数帯の多様性のために、ユニークな課題を生んでいる。 主な障害は、不均一なセンシング構成やアプリケーションに効率的に適応する一般化可能な表現を作成することである。 この問題を解決するために,ウェアラブルセンシングデータから一般化された情報表現を抽出するための,最初のマルチモーダルかつユビキタス基盤モデルであるNormWearを提案する。 具体的には,センサ内およびセンサ間の両方の信号パターンを検出するために,CLSトークンを共用したチャネル認識型アテンション機構を設計する。 これにより、時系列自体と入力センサー間の関係を考慮し、より意味のある情報を抽出することができる。 これにより、モデルが様々なセンサー設定と広く互換性を持つようになる。 NormWearは、様々な公開データセットからPSG、ECG、EEG、GSR、IMUを含む様々な生理的信号のセットで事前訓練されている。 本モデルでは, メンタルヘルス, 身体状態推定, バイタルサイン推定, 疾患リスク評価など, 11のパブリックなウェアラブルセンシングデータセットに対して, 異常な一般化性を示す。 ゼロショット、部分ショット、フルショット設定で競争ベースラインを一貫して上回り、現実世界の健康アプリケーションに広く適用可能であることを示している。

関連論文リスト

• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• Towards Robust Multimodal Physiological Foundation Models: Handling Arbitrary Missing Modalities [9.785262633953794]
  生理オムニ (Phylo Omni) は、マルチモーダルな生理的信号解析の基礎モデルである。 分離されたマルチモーダル・トークンーザを訓練し、マスクされた信号の事前訓練を可能にする。 最先端のパフォーマンスを達成しつつ、モダリティの欠如に対して強い堅牢性を維持します。
  論文  参考訳（メタデータ） (2025-04-28T09:00:04Z)
• Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
  我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。 基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-03-31T08:06:00Z)
• Sparseformer: a Transferable Transformer with Multi-granularity Token Sparsification for Medical Time Series Classification [25.47662257105448]
  MedTS分類用に特別に設計された変換器であるSparseformerを紹介する。 本稿では,大域的モデリングとトークン圧縮を実現するための,スパーストークンベースのデュアルアテンション機構を提案する。 我々のモデルは、教師あり学習下で7つの医療データセットで12のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-03-19T13:22:42Z)
• Exploring the Impact of Synthetic Data on Human Gesture Recognition Tasks Using GANs [0.0]
  本研究は、GAN(Generative Adversarial Networks)を用いたウェアラブルIoTデバイスデータからアレルギー性鼻炎に対するモーションジェスチャの合成の可能性について、初めて検討したものである。 これらのAIモデルのパフォーマンスも、忠実さ、多様性、プライバシの観点から重視しています。
  論文  参考訳（メタデータ） (2024-12-09T11:15:47Z)
• Assessing Foundation Models' Transferability to Physiological Signals in Precision Medicine [0.0]
  この研究は、基礎モデルの医療的文脈における伝達能力を評価するための体系的なパイプラインを導入している。 まず、生理シミュレーションソフトウェアを利用して、多様な臨床的シナリオを生成する。 第2に、パイプラインは基礎モデルを通してこれらのシミュレートされた信号を投影し、埋め込みを取得し、線形手法を用いて評価する。 第3に、パイプラインは特定の下流医療タスクを通じてこれらの表現を検証する。
  論文  参考訳（メタデータ） (2024-12-04T16:17:09Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• SensorLLM: Human-Intuitive Alignment of Multivariate Sensor Data with LLMs for Activity Recognition [9.072495000412943]
  本稿では,Large Language Models(LLM)がウェアラブルセンサデータからHAR(Human Activity Recognition)を実現するためのフレームワークであるSensorLLMを紹介する。 多様なHARシナリオにまたがる人間の直感的なセンサテキストペアの質問応答データセットであるSensorQAを構築した。 その結果,SensorLLMは人間の直感的アライメントによって誘導され,多様なHAR設定にまたがる効果的なセンサ学習者,推論者,分類者となることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T15:30:41Z)
• HMF: A Hybrid Multi-Factor Framework for Dynamic Intraoperative Hypotension Prediction [2.7807763048110337]
  平均動脈圧(MAP)を用いた術中低血圧(IOH)予測は,術中患者の予後に重要な意味を持つ重要な研究領域である。 既存のアプローチは主に、生理学的信号の動的な性質を無視する静的なモデリングパラダイムを使用している。 血圧予測タスクとしてIOH予測を再構成するHMF(Hybrid Multi-Factor)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-17T10:46:41Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  バイオ署名の買収は、医療アプリケーションやウェアラブルデバイスにとって鍵となる。 既存のソリューションは、しばしば大規模で高価なデータセットを必要とする。 本稿では,任意の生体信号配列モデルに適応可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
  我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。 THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。 包括的実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:08:57Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
  本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。 提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T02:54:34Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• 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)

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。