論文の概要: Pulse-PPG: An Open-Source Field-Trained PPG Foundation Model for Wearable Applications Across Lab and Field Settings

• arxiv url: http://arxiv.org/abs/2502.01108v1
• Date: Mon, 03 Feb 2025 06:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:21.998937
• Title: Pulse-PPG: An Open-Source Field-Trained PPG Foundation Model for Wearable Applications Across Lab and Field Settings
• Title（参考訳）: Pulse-PPG: 実験室と現場におけるウェアラブルアプリケーションのためのオープンソースフィールドトレーニング PPG ファンデーションモデル
• Authors: Mithun Saha, Maxwell A. Xu, Wanting Mao, Sameer Neupane, James M. Rehg, Santosh Kumar,
• Abstract要約: 光胸腺撮影に基づく基礎モデルは、様々な健康分野にまたがる一般化の可能性から、注目を集めている。 既存のPSGファウンデーションモデルはオープンソースだが、臨床データやクローズドソースに基づいてトレーニングされており、現実の環境での適用性が制限されている。 我々はPulseを紹介した。Pulseは、120人の参加者による100日間のフィールド調査で収集された生PSGデータに特化して訓練された、オープンソースのPulse基盤モデルである。
• 参考スコア（独自算出の注目度）: 15.077834063212704
• License:
• Abstract: Photoplethysmography (PPG)-based foundation models are gaining traction due to the widespread use of PPG in biosignal monitoring and their potential to generalize across diverse health applications. In this paper, we introduce Pulse-PPG, the first open-source PPG foundation model trained exclusively on raw PPG data collected over a 100-day field study with 120 participants. Existing PPG foundation models are either open-source but trained on clinical data or closed-source, limiting their applicability in real-world settings. We evaluate Pulse-PPG across multiple datasets and downstream tasks, comparing its performance against a state-of-the-art foundation model trained on clinical data. Our results demonstrate that Pulse-PPG, trained on uncurated field data, exhibits superior generalization across clinical and mobile health applications in both lab and field settings. This suggests that exposure to real-world variability enables the model to learn fine-grained representations, making it more adaptable across tasks. Furthermore, pre-training on field data surprisingly outperforms its pre-training on clinical data in many tasks, reinforcing the importance of training on real-world, diverse datasets. To encourage further advancements in robust foundation models leveraging field data, we plan to release Pulse-PPG, providing researchers with a powerful resource for developing more generalizable PPG-based models.
• Abstract（参考訳）: 光胸腺撮影(PPG)に基づく基礎モデルは、生体信号モニタリングにPSGが広く用いられていることと、様々な健康分野にまたがる一般化の可能性により、注目を集めている。 本稿ではPulse-PPGについて紹介する。Pulse-PPGは,120名の参加者を対象に,100日間のフィールドで収集した生PSGデータのみをトレーニングした,初のオープンソースPSG基盤モデルである。 既存のPSGファンデーションモデルはオープンソースだが、臨床データやクローズドソースに基づいてトレーニングされており、実際の環境での適用性を制限する。 我々は、複数のデータセットと下流タスクにわたるPulse-PPGを評価し、その性能を臨床データに基づいて訓練された最先端基礎モデルと比較した。 以上の結果から,未処理のフィールドデータに基づいてトレーニングしたPulse-PPGは,臨床およびモバイルの健康分野において,実験室と現場の両方で優れた一般化を示すことが示された。 これは、現実世界の可変性に曝露することで、モデルがきめ細かい表現を学習し、タスク間でより適応可能であることを示唆している。 さらに、フィールドデータに対する事前トレーニングは、多くのタスクにおける臨床データに対する事前トレーニングよりも驚くほど優れており、現実世界の多様なデータセットでのトレーニングの重要性が強化されている。 フィールドデータを利用したロバスト基盤モデルのさらなる進歩を促進するため,我々はPulse-PPGをリリースする計画である。

関連論文リスト

• Federated Self-supervised Domain Generalization for Label-efficient Polyp Segmentation [12.12743798858467]
  フェデレーテッド・ラーニング(FL)は、このプライバシー問題に対する強硬な解決策である。 FLの一般化能力を高めるために,フェデレーション型自己監督型ドメイン一般化法(LFDG)を提案する。 本手法はベースライン法および最近のFL法およびSSL法よりも3.80%,3.92%向上した。
  論文  参考訳（メタデータ） (2025-02-11T21:00:01Z)
• 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)
• Beyond Efficiency: Molecular Data Pruning for Enhanced Generalization [30.738229850748137]
  MolPegは、一般化を強化するための分子データプルーニングフレームワークである。 これは、事前訓練されたモデルでデータプルーニングを適用する、ソースフリーなデータプルーニングシナリオに焦点を当てている。 4つのダウンストリームタスクで既存のDPメソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-09-02T09:06:04Z)
• Fully Test-Time rPPG Estimation via Synthetic Signal-Guided Feature Learning [8.901227918730562]
  TestTime Adaptation (TTA)では、ソースデータを参照することなく、ラベルのないターゲットデータにオンライン適応することで、さまざまな未確認領域のr信号を適応的に推定することができる。 擬似基底真理として、擬似r信号を用いた合成信号誘導特徴学習法を開発し、潜在r特徴を生成する条件生成装置を誘導する。
  論文  参考訳（メタデータ） (2024-07-18T09:22:40Z)
• Distributionally Robust Alignment for Medical Federated Vision-Language Pre-training Under Data Heterogeneity [4.84693589377679]
  医用ビジョン言語事前学習のためのFedDRA(Federated Distributionally Robust Alignment)を提案する。 FedDRAは異種条件下で頑健な視覚言語アライメントを実現する。 また,本手法は様々な医学的事前訓練法にも適している。
  論文  参考訳（メタデータ） (2024-04-05T01:17:25Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
  本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
  論文  参考訳（メタデータ） (2022-06-10T11:48:49Z)
• An Empirical Study on Distribution Shift Robustness From the Perspective of Pre-Training and Data Augmentation [91.62129090006745]
  本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。 我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2022-05-25T13:04:53Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)

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。