論文の概要: Tiny-BioMoE: a Lightweight Embedding Model for Biosignal Analysis
- arxiv url: http://arxiv.org/abs/2507.21875v1
- Date: Tue, 29 Jul 2025 14:46:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.473349
- Title: Tiny-BioMoE: a Lightweight Embedding Model for Biosignal Analysis
- Title(参考訳): Tiny-BioMoE:生体信号解析のための軽量埋め込みモデル
- Authors: Stefanos Gkikas, Ioannis Kyprakis, Manolis Tsiknakis,
- Abstract要約: The textitSecond Multimodal Sensing Grand Challenge for Next-Gen Pain Assessment (AI4PAIN)に提出された。
提案手法は,生体信号解析のための軽量な事前学習型埋め込みモデルである textitTiny-BioMoE を導入する。
- 参考スコア(独自算出の注目度): 0.8602553195689511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pain is a complex and pervasive condition that affects a significant portion of the population. Accurate and consistent assessment is essential for individuals suffering from pain, as well as for developing effective management strategies in a healthcare system. Automatic pain assessment systems enable continuous monitoring, support clinical decision-making, and help minimize patient distress while mitigating the risk of functional deterioration. Leveraging physiological signals offers objective and precise insights into a person's state, and their integration in a multimodal framework can further enhance system performance. This study has been submitted to the \textit{Second Multimodal Sensing Grand Challenge for Next-Gen Pain Assessment (AI4PAIN)}. The proposed approach introduces \textit{Tiny-BioMoE}, a lightweight pretrained embedding model for biosignal analysis. Trained on $4.4$ million biosignal image representations and consisting of only $7.3$ million parameters, it serves as an effective tool for extracting high-quality embeddings for downstream tasks. Extensive experiments involving electrodermal activity, blood volume pulse, respiratory signals, peripheral oxygen saturation, and their combinations highlight the model's effectiveness across diverse modalities in automatic pain recognition tasks. \textit{\textcolor{blue}{The model's architecture (code) and weights are available at https://github.com/GkikasStefanos/Tiny-BioMoE.
- Abstract(参考訳): 痛みは複雑で広まりやすい状態であり、人口のかなりの部分に影響を与える。
正確で一貫した評価は、痛みに苦しむ個人だけでなく、医療システムにおける効果的な管理戦略の開発にも不可欠である。
自動痛み評価システムは、継続的なモニタリングを可能にし、臨床的意思決定をサポートし、機能劣化のリスクを軽減しつつ、患者の苦痛を最小限に抑える。
生理的信号の活用は、個人の状態に対する客観的かつ正確な洞察を与え、マルチモーダルフレームワークへの統合は、システムパフォーマンスをさらに向上させる。
本研究は, 次世代痛覚評価(AI4PAIN)における「textit{Second Multimodal Sensing Grand Challenge for Next-Gen Pain Assessment(AI4PAIN)」に提出された。
提案手法は生体信号解析のための軽量な事前学習型埋め込みモデルである \textit{Tiny-BioMoE} を導入する。
4.4億ドルのバイオサイン画像表現とわずか7.3億ドルのパラメータで訓練され、下流のタスクに高品質な埋め込みを抽出するための効果的なツールとして機能する。
電脳活動、血流パルス、呼吸信号、末梢酸素飽和、およびそれらの組み合わせを含む広範囲な実験は、自動痛覚タスクにおける様々なモードにわたるモデルの有効性を浮き彫りにした。
モデルのアーキテクチャ(コード)と重みはhttps://github.com/GkikasStefanos/Tiny-BioMoEで公開されている。
関連論文リスト
- Efficient Pain Recognition via Respiration Signals: A Single Cross-Attention Transformer Multi-Window Fusion Pipeline [0.8602553195689511]
The textitSecond Multimodal Sensing Grand Challenge for Next-Gen Pain Assessment (AI4PAIN)に提出された。
論文 参考訳(メタデータ) (2025-07-29T14:58:29Z) - PainFormer: a Vision Foundation Model for Automatic Pain Assessment [2.8028723950211476]
痛みは人口のかなりの割合に影響を与える多様体条件である。
本研究では,マルチタスク学習原理に基づく視覚基盤モデルPainFormerを紹介する。
PainFormerは様々な入力モードから高品質な埋め込みを効果的に抽出する。
論文 参考訳(メタデータ) (2025-05-02T20:29:27Z) - 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) - Thermodynamics-informed graph neural networks for real-time simulation of digital human twins [2.6811507121199325]
本稿では,軟組織シミュレーション研究の進展をめざした新しい手法を提案する。
提案手法は, グラフニューラルネットワークの幾何学的バイアスと, 垂直構造の配置から導かれる物理的バイアスを統合する。
そこで本研究では,ヒト肝臓のトラクションおよび圧縮負荷に対する応答を7.3ミリ秒以内で予測するモデルを提案する。
論文 参考訳(メタデータ) (2024-12-16T18:01:40Z) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳(メタデータ) (2024-04-16T02:18:18Z) - 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) - Sensitivity analysis of biological washout and depth selection for a
machine learning based dose verification framework in proton therapy [19.718172235291647]
陽電子放出体を用いた線量検証は, 品質保証ツールとして有望である。
実用化に向けて一歩前進するためには、生物学的洗浄と深度選択という2つの要因の感度分析を行う必要がある。
提案するAIフレームワークは,2つの要因に関連する摂動に対して良好な免疫力を示す。
論文 参考訳(メタデータ) (2022-12-21T20:43:35Z) - 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) - A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z)
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。