論文の概要: EnhancePPG: Improving PPG-based Heart Rate Estimation with Self-Supervision and Augmentation

• arxiv url: http://arxiv.org/abs/2412.17860v1
• Date: Fri, 20 Dec 2024 13:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:53:57.607079
• Title: EnhancePPG: Improving PPG-based Heart Rate Estimation with Self-Supervision and Augmentation
• Title（参考訳）: EnhancePPG:自己監督と拡張によるPTGによる心拍推定の改善
• Authors: Luca Benfenati, Sofia Belloni, Alessio Burrello, Panagiotis Kasnesis, Xiaying Wang, Luca Benini, Massimo Poncino, Enrico Macii, Daniele Jahier Pagliari,
• Abstract要約: 本稿では、自己教師付き学習とデータ拡張を統合することにより、最先端のモデルを強化する手法であるEnhanceを提案する。 U-Netのようなオートエンコーダアーキテクチャにインスパイアされた我々は、大量のラベルのないデータを利用して、教師なしPSG信号再構成を利用する。 PPG-DaLiAの4.03 Beats-Per-Minute(BPM)から3.54 BPMエラーまで、最高の人事推定を12.2%改善します。
• 参考スコア（独自算出の注目度）: 17.617241860357407
• License:
• Abstract: Heart rate (HR) estimation from photoplethysmography (PPG) signals is a key feature of modern wearable devices for health and wellness monitoring. While deep learning models show promise, their performance relies on the availability of large datasets. We present EnhancePPG, a method that enhances state-of-the-art models by integrating self-supervised learning with data augmentation (DA). Our approach combines self-supervised pre-training with DA, allowing the model to learn more generalizable features, without needing more labelled data. Inspired by a U-Net-like autoencoder architecture, we utilize unsupervised PPG signal reconstruction, taking advantage of large amounts of unlabeled data during the pre-training phase combined with data augmentation, to improve state-of-the-art models' performance. Thanks to our approach and minimal modification to the state-of-the-art model, we improve the best HR estimation by 12.2%, lowering from 4.03 Beats-Per-Minute (BPM) to 3.54 BPM the error on PPG-DaLiA. Importantly, our EnhancePPG approach focuses exclusively on the training of the selected deep learning model, without significantly increasing its inference latency
• Abstract（参考訳）: 光胸腺撮影(PPG)信号からの心拍数(HR)推定は、健康・健康モニタリングのための現代のウェアラブルデバイスの重要な特徴である。 ディープラーニングモデルは将来性を示すが、そのパフォーマンスは大規模なデータセットの可用性に依存している。 本稿では、自己教師付き学習とデータ強化(DA)を統合することにより、最先端のモデルを強化する手法であるEnhancePPGを提案する。 提案手法は,自己教師付き事前学習とDAを組み合わせることで,ラベル付きデータを必要とすることなく,モデルがより一般化可能な特徴を学習できるようにする。 U-Netライクなオートエンコーダアーキテクチャにインスパイアされた我々は、事前学習期間中に大量の未ラベルデータとデータ拡張を利用して、教師なしPSG信号再構成を利用して、最先端のモデルの性能を向上させる。 われわれのアプローチと最先端モデルへの最小限の修正により、最高の人事推定を12.2%改善し、4.03 Beats-Per-Minute(BPM)から3.54 BPMへ引き下げた。 重要なことは、私たちのEnhancePPGアプローチは、推論遅延を大幅に増加させることなく、選択したディープラーニングモデルのトレーニングにのみ焦点を絞っていることです。

関連論文リスト

• PaPaGei: Open Foundation Models for Optical Physiological Signals [8.78925327256804]
  光胸腺撮影は生体信号と心臓血管の健康をモニタリングする主要な非侵襲的手法である。 PPG信号に基づいて訓練された機械学習モデルは、タスク固有であり、一般化に苦慮する傾向がある。 PPG信号のための最初のオープン基盤モデルPaPaGeiを提案する。
  論文  参考訳（メタデータ） (2024-10-27T18:18:06Z)
• Semi-Supervised Reward Modeling via Iterative Self-Training [52.48668920483908]
  本稿では,未ラベルデータを用いたRMトレーニングを強化する手法であるSemi-Supervised Reward Modeling (SSRM)を提案する。 SSRMは、追加のラベリングコストを発生させることなく、報酬モデルを大幅に改善することを示した。 全体として、SSRMは、人間が注釈付けした大量のデータへの依存を大幅に減らし、効果的な報酬モデルのトレーニングに要する全体的なコストと時間を削減する。
  論文  参考訳（メタデータ） (2024-09-10T22:57:58Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Pre-training Differentially Private Models with Limited Public Data [54.943023722114134]
  ディファレンシャルプライバシ(DP)は、モデルに提供されるセキュリティの度合いを測定するための重要な手法である。 DPはまだ、最初の事前訓練段階で使用されるデータのかなりの部分を保護することができない。 公共データの10%しか利用しない新しいDP継続事前学習戦略を開発した。 ImageNet-21kのDP精度は41.5%、非DP精度は55.7%、下流タスクのPlaces365とiNaturalist-2021では60.0%である。
  論文  参考訳（メタデータ） (2024-02-28T23:26:27Z)
• PhySU-Net: Long Temporal Context Transformer for rPPG with Self-Supervised Pre-training [21.521146237660766]
  本稿では,Phy-Net,Phy-Net,Phy-Net,Phy-Net,Phy-Net,Phy-Net,Phy-Netを提案する。 我々のモデルは2つの公開データセット(OBFとVIPL-HR)でテストされ、教師あり訓練において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-19T07:59:16Z)
• Denoising and Selecting Pseudo-Heatmaps for Semi-Supervised Human Pose Estimation [38.97427474379367]
  ラベルのないデータから学習するターゲットとして,信頼度の高い擬似熱マップを生成するための認知スキームを導入する。 評価された学生間の不確実性によって導かれる擬似熱マップから学習対象を選択する。 提案手法は,従来の半教師付きポーズ推定装置よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-29T19:17:30Z)
• Towards quantitative precision for ECG analysis: Leveraging state space models, self-supervision and patient metadata [2.0777058026628583]
  自動心電図解析システムの定量的精度向上を目的とした3つの要素について検討する。 まず、構造化状態空間モデル(SSM)を用いて時系列データの長期依存関係をキャプチャする。 第2に、コントラスト予測符号化を用いた自己教師型学習が、SSMの性能をさらに向上することを示した。 最後に、ECG信号と共に基本的な統計メタデータを入力として組み込む。
  論文  参考訳（メタデータ） (2023-08-29T13:25:26Z)
• Efficient Remote Photoplethysmography with Temporal Derivative Modules and Time-Shift Invariant Loss [6.381149074212898]
  遠隔心拍推定のための軽量ニューラルネットワークを提案する。 我々は,顔面光胸腺撮影の時間的学習に焦点をあてる。 既存モデルと比較して,本手法では,パラメータ数が大幅に少なく,計算コストが低く,競合精度が向上している。
  論文  参考訳（メタデータ） (2022-03-21T11:08:06Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
  G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。 G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。 分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
  論文  参考訳（メタデータ） (2020-04-24T06:12:10Z)

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。