論文の概要: Physiological-Model-Based Neural Network for Heart Rate Estimation during Daily Physical Activities

• arxiv url: http://arxiv.org/abs/2506.10144v1
• Date: Wed, 11 Jun 2025 19:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.421256
• Title: Physiological-Model-Based Neural Network for Heart Rate Estimation during Daily Physical Activities
• Title（参考訳）: 身体活動時の心拍数推定のための生理学的モデルベースニューラルネットワーク
• Authors: Yaowen Zhang, Libera Fresiello, Peter H. Veltink, Dirk W. Donker, Ying Wang,
• Abstract要約: 心不全 (HF) は世界的な健康上の課題であり、早期発見は結果を改善する機会を提供する。 個々の心拍数(HR)の推定は、動的デジタルツインとして機能し、心臓のバイオマーカーの正確な追跡を可能にする。 本研究では,日常の身体活動における酸素摂取量(VO2)データに基づくHR推定のための新しい生理モデルベースニューラルネットワーク(PMB-NN)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.5717820799814306
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heart failure (HF) poses a significant global health challenge, with early detection offering opportunities for improved outcomes. Abnormalities in heart rate (HR), particularly during daily activities, may serve as early indicators of HF risk. However, existing HR monitoring tools for HF detection are limited by their reliability on population-based averages. The estimation of individualized HR serves as a dynamic digital twin, enabling precise tracking of cardiac health biomarkers. Current HR estimation methods, categorized into physiologically-driven and purely data-driven models, struggle with efficiency and interpretability. This study introduces a novel physiological-model-based neural network (PMB-NN) framework for HR estimation based on oxygen uptake (VO2) data during daily physical activities. The framework was trained and tested on individual datasets from 12 participants engaged in activities including resting, cycling, and running. By embedding physiological constraints, which were derived from our proposed simplified human movement physiological model (PM), into the neural network training process, the PMB-NN model adheres to human physiological principles while achieving high estimation accuracy, with a median R$^2$ score of 0.8 and an RMSE of 8.3 bpm. Comparative statistical analysis demonstrates that the PMB-NN achieves performance on par with the benchmark neural network model while significantly outperforming traditional physiological model (p=0.002). In addition, our PMB-NN is adept at identifying personalized parameters of the PM, enabling the PM to generate reasonable HR estimation. The proposed framework with a precise VO2 estimation system derived from body movements enables the future possibilities of personalized and real-time cardiac monitoring during daily life physical activities.
• Abstract（参考訳）: 心不全 (HF) は世界的な健康上の課題であり、早期発見は結果を改善する機会を提供する。 心拍数(HR)の異常は、特に日常活動において、HFリスクの早期指標として機能する可能性がある。 しかし、HF検出のための既存のHRモニタリングツールは、人口ベース平均の信頼性によって制限されている。 個別化HRの推定は、動的デジタルツインとして機能し、心臓のバイオマーカーの正確な追跡を可能にする。 現在のHR推定法は、生理学的に駆動され、純粋にデータ駆動モデルに分類され、効率と解釈可能性に苦慮している。 本研究では,日常の身体活動における酸素摂取量(VO2)データに基づくHR推定のための新しい生理モデルベースニューラルネットワーク(PMB-NN)フレームワークを提案する。 フレームワークは、安静、サイクリング、実行など、12人の参加者の個々のデータセットでトレーニングされ、テストされた。 提案した簡易ヒト運動生理モデル(PM)から得られた生理的制約をニューラルネットワークトレーニングプロセスに組み込むことにより,PMB-NNモデルは高い推定精度を保ちながら人間の生理的原理に固執し,中央値のR$^2$スコアとRMSEの8.3bpmを達成した。 比較統計分析により、PMB-NNは従来の生理学的モデル(p=0.002)を著しく上回りながら、ベンチマークニューラルネットワークモデルと同等の性能を発揮することが示された。 さらに、我々のPMB-NNは、PMのパーソナライズされたパラメータを特定することに長けており、PMが合理的なHR推定を生成することができる。 身体運動から推定される精度の高いVO2推定システムにより,日常生活の身体活動におけるパーソナライズされたリアルタイム心臓モニタリングの可能性が期待できる。

関連論文リスト

• From Lab to Wrist: Bridging Metabolic Monitoring and Consumer Wearables for Heart Rate and Oxygen Consumption Modeling [7.104151688826837]
  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。
  論文  参考訳（メタデータ） (2025-04-30T18:15:00Z)
• 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)
• 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)
• 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)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• 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)
• Self-supervised transfer learning of physiological representations from free-living 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。 我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
  論文  参考訳（メタデータ） (2020-11-18T23:21:34Z)
• RNNs on Monitoring Physical Activity Energy Expenditure in Older People [0.0]
  逐次的データモデリング能力で知られるRecurrent Neural Network (RNN) を提案する。 本稿では,GRUをベースとしたRNNの標準施設を超越する取り組みについて述べる。 得られたアーキテクチャは、トレーニング入力を10倍減らしながら、ほぼ10%の性能向上を実現している。
  論文  参考訳（メタデータ） (2020-06-01T18:02:53Z)

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。