論文の概要: Wearable Accelerometer Foundation Models for Health via Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2412.11276v1
• Date: Sun, 15 Dec 2024 18:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:17.197231
• Title: Wearable Accelerometer Foundation Models for Health via Knowledge Distillation
• Title（参考訳）: 知識蒸留による健康のためのウェアラブル加速度計基礎モデル
• Authors: Salar Abbaspourazad, Anshuman Mishra, Joseph Futoma, Andrew C. Miller, Ian Shapiro,
• Abstract要約: 我々は,2000万分のラベルのないデータを用いて生体信号間で表現的知識を蒸留できることを実証した。 また, 蒸留アセロメトリエンコーダは, 直接アセロメトリデータに基づいて訓練された自己監督型エンコーダや教師型エンコーダに比べて, はるかに有意な情報表現を有することを示した。 我々は、健康のための加速度計の基礎モデルが、あらゆるウェアラブルデバイスからデジタルバイオマーカーを開発する新しい機会を解放するかもしれないと考えている。
• 参考スコア（独自算出の注目度）: 2.0472158451829827
• License:
• Abstract: Modern wearable devices can conveniently and continuously record various biosignals in the many different environments of daily living, ultimately enabling a rich view of individual health. However, not all biosignals are the same: high-fidelity measurements, such as photoplethysmography (PPG), contain more physiological information, but require optical sensors with a high power footprint. In a resource-constrained setting, such biosignals may be unavailable. Alternatively, a lower-fidelity biosignal, such as accelerometry that captures minute cardiovascular information during low-motion periods, has a significantly smaller power footprint and is available in almost any wearable device. Here, we demonstrate that we can distill representational knowledge across biosignals, i.e., from PPG to accelerometry, using 20 million minutes of unlabeled data, collected from ~172K participants in the Apple Heart and Movement Study under informed consent. We first pre-train PPG encoders via self-supervised learning, and then distill their representational knowledge to accelerometry encoders. We demonstrate strong cross-modal alignment on unseen data, e.g., 99.2% top-1 accuracy for retrieving PPG embeddings from accelerometry embeddings. We show that distilled accelerometry encoders have significantly more informative representations compared to self-supervised or supervised encoders trained directly on accelerometry data, observed by at least 23%-49% improved performance for predicting heart rate and heart rate variability. We also show that distilled accelerometry encoders are readily predictive of a wide array of downstream health targets, i.e., they are generalist foundation models. We believe accelerometry foundation models for health may unlock new opportunities for developing digital biomarkers from any wearable device, and help individuals track their health more frequently and conveniently.
• Abstract（参考訳）: 現代のウェアラブルデバイスは、日常生活のさまざまな環境において、様々なバイオシグナーを便利かつ継続的に記録することができ、最終的には個人の健康を豊かに見ることができる。 しかし、すべての生体信号は同じではない:光胸腺撮影(PPG)のような高忠実度測定は、より生理学的な情報を含むが、高出力フットプリントの光学センサーを必要とする。 資源制限された環境では、そのようなバイオシグナーは利用できない。 あるいは、低運動期間に微小血管情報をキャプチャする加速度計のような低密度バイオシグナーは、電力フットプリントが著しく小さく、ほぼ全てのウェアラブルデバイスで利用可能である。 そこで本研究では, Apple Heart and Movement Study の約172K の参加者から収集した2000万分の未ラベルデータを用いて, PPG から加速度計測まで,生体信号間の表現的知識を蒸留できることを実証した。 まず,自己教師型学習によるPSGエンコーダの事前訓練を行い,その表現的知識を加速度計測エンコーダに蒸留する。 加速度計の埋め込みからPSGの埋め込みを回収するための、99.2% のトップ-1 の精度など、目に見えないデータに対して強力なクロスモーダルアライメントを示す。 その結果, 蒸留アセロメトリエンコーダは, 心拍数と心拍変動の予測性能が23%～49%向上した。 また,蒸留アクセラメトリエンコーダは,様々な下流の健康目標,すなわち一般基盤モデルを容易に予測できることを示した。 我々は、健康のための加速度計基礎モデルが、あらゆるウェアラブルデバイスからデジタルバイオマーカーを開発する新たな機会を解放し、個人がより頻繁に便利に健康を追跡するのに役立つと信じている。

関連論文リスト

• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• 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)
• Large-scale Training of Foundation Models for Wearable Biosignals [1.8291790356553643]
  バイオシグナーの追跡は、健康の監視と重度の医療疾患の予防に不可欠である。 ウェアラブルと既存のデジタルバイオマーカーにもかかわらず、ラベル付きデータの欠如は、新しいバイオマーカーの開発を妨げる。 我々は、フォトムーブメントと心電図という2つの一般的な生体信号の基礎モデルを訓練する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:34Z)
• Remote Bio-Sensing: Open Source Benchmark Framework for Fair Evaluation of rPPG [2.82697733014759]
  r(pg photoplethysmography)は、カメラで捉えたヘモグロビンの光吸収特性を用いてBVP(Blood Volume Pulse)を測定し、分析する技術である。 本研究は,多種多様なデータセットを対象とした様々なrベンチマーク手法の評価を行い,妥当性評価と比較を行うためのフレームワークを提供することを目的とする。
  論文  参考訳（メタデータ） (2023-07-24T09:35:47Z)
• A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
  NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。 膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
  論文  参考訳（メタデータ） (2023-04-26T16:47:42Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• SCAMPS: Synthetics for Camera Measurement of Physiological Signals [17.023803380199492]
  SCAMPSは2,800本のビデオ (1.68Mフレーム) を含む合成物のデータセットである。 本研究は、心拍間隔、心拍変動、パルス到着時間など、基礎となる波形に関する記述統計を提供する。
  論文  参考訳（メタデータ） (2022-06-08T23:48:41Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• An Accurate Non-accelerometer-based PPG Motion Artifact Removal Technique using CycleGAN [2.6353710888820308]
  本稿では,低消費電力非加速度センサを用いたPSGモーションアーティファクト除去手法を提案する。 我々は、ノイズの多いPGG信号からPPG信号をクリーンに再構成するために、Cycle Generative Adversarial Networkを使用します。
  論文  参考訳（メタデータ） (2021-06-22T03:00:11Z)
• 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)
• 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。