論文の概要: From Lab to Wrist: Bridging Metabolic Monitoring and Consumer Wearables for Heart Rate and Oxygen Consumption Modeling

• arxiv url: http://arxiv.org/abs/2505.00101v1
• Date: Wed, 30 Apr 2025 18:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.145903
• Title: From Lab to Wrist: Bridging Metabolic Monitoring and Consumer Wearables for Heart Rate and Oxygen Consumption Modeling
• Title（参考訳）: ラボからリストへ:代謝モニタリングと心拍・酸素消費量モデリングのための消費者ウェアラブル
• Authors: Barak Gahtan, Sanketh Vedula, Gil Samuelly Leichtag, Einat Kodesh, Alex M. Bronstein,
• Abstract要約: 当社では、コンシューマグレードのウェアラブルデータのみから、即時的な酸素消費トラジェクトリを予測できる最初のフレームワークとして、包括的なフレームワークを導入しています。 本手法では, 1 つの相補的生理モデルを用いて, 1 つの生理的制約付き常微分方程式(ODE)による心拍変動の正確なモデリングと, 300 万回以上の HR 観測に基づいて訓練されたニューラルカルマンフィルタを用いる。 提案手法は, 約13%の平均絶対誤差を達成し, 高速な生理的遷移と各種走行強度の定常条件を効果的に捉えた。
• 参考スコア（独自算出の注目度）: 7.104151688826837
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding physiological responses during running is critical for performance optimization, tailored training prescriptions, and athlete health management. We introduce a comprehensive framework -- what we believe to be the first capable of predicting instantaneous oxygen consumption (VO$_{2}$) trajectories exclusively from consumer-grade wearable data. Our approach employs two complementary physiological models: (1) accurate modeling of heart rate (HR) dynamics via a physiologically constrained ordinary differential equation (ODE) and neural Kalman filter, trained on over 3 million HR observations, achieving 1-second interval predictions with mean absolute errors as low as 2.81\,bpm (correlation 0.87); and (2) leveraging the principles of precise HR modeling, a novel VO$_{2}$ prediction architecture requiring only the initial second of VO$_{2}$ data for calibration, enabling robust, sequence-to-sequence metabolic demand estimation. Despite relying solely on smartwatch and chest-strap data, our method achieves mean absolute percentage errors of approximately 13\%, effectively capturing rapid physiological transitions and steady-state conditions across diverse running intensities. Our synchronized dataset, complemented by blood lactate measurements, further lays the foundation for future noninvasive metabolic zone identification. By embedding physiological constraints within modern machine learning, this framework democratizes advanced metabolic monitoring, bridging laboratory-grade accuracy and everyday accessibility, thus empowering both elite athletes and recreational fitness enthusiasts.
• Abstract（参考訳）: ランニング中の生理的反応を理解することは、パフォーマンス最適化、調整されたトレーニング処方、アスリートの健康管理に不可欠である。 当社では、コンシューマグレードのウェアラブルデータから、即時酸素消費量(VO$_{2}$)のトラジェクトリを予測できる最初のフレームワークとして、包括的なフレームワークを導入しています。 提案手法は, 生理学的に制約された常微分方程式 (ODE) とニューラルカルマンフィルタによる心拍変動の正確なモデリング, 平均絶対誤差が2.81\,bpm (correlation 0.87) の1秒間隔の予測, 精度の高いHRモデリングの原理の活用, VO$$$$予測アーキテクチャ, キャリブレーションのためのVO$$$データの初期秒のみを必要とする新しいVO$$$予測アーキテクチャ, 堅牢でシーケンスツーシーケンスのメタボリック需要推定を実現する。 スマートウォッチと胸部ストラップのデータのみに頼っているにもかかわらず,本手法は平均絶対誤差を約13倍にし,高速な生理的遷移と各種走行強度の定常状態を効果的に捉えた。 我々のシンクロナイズドデータセットは、血液乳酸測定によって補完され、将来非侵襲的な代謝ゾーンの同定の基礎となる。 この枠組みは、現代の機械学習に生理的制約を埋め込むことで、高度な代謝モニタリング、実験室グレードの精度と日常のアクセシビリティを民主化し、エリートアスリートとレクリエーションフィットネス愛好家の両方に力を与える。

関連論文リスト

• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• 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)
• Synthesize High-dimensional Longitudinal Electronic Health Records via Hierarchical Autoregressive Language Model [40.473866438962034]
  合成電子健康記録は、機械学習(ML)モデリングと統計解析のための実際のEHRの代替として機能することができる。 階層型自己回帰言語mOdel(HALO)を提案する。
  論文  参考訳（メタデータ） (2023-04-04T23:53:34Z)
• Longitudinal cardio-respiratory fitness prediction through free-living wearable sensors [11.990376260559529]
  我々は、自由生活環境下でのウェアラブルセンサからの運動と心拍信号を解析する。 我々は、生センサデータを心呼吸性フィットネス推定に変換するアルゴリズムとモデルを設計する。
  論文  参考訳（メタデータ） (2022-05-06T10:04:04Z)
• PhysioMTL: Personalizing Physiological Patterns using Optimal Transport Multi-Task Regression [21.254400561280296]
  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。
  論文  参考訳（メタデータ） (2022-03-19T19:14:25Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。