論文の概要: AI on the Pulse: Real-Time Health Anomaly Detection with Wearable and Ambient Intelligence

• arxiv url: http://arxiv.org/abs/2508.03436v1
• Date: Tue, 05 Aug 2025 13:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.980289
• Title: AI on the Pulse: Real-Time Health Anomaly Detection with Wearable and Ambient Intelligence
• Title（参考訳）: AI on the Pulse:ウェアラブルとアンビエントインテリジェンスを用いたリアルタイムヘルス異常検出
• Authors: Davide Gabrielli, Bardh Prenkaj, Paola Velardi, Stefano Faralli,
• Abstract要約: 我々は、患者を継続的に監視する現実世界の異常検知システムであるPulseにAIを導入する。 SoTA(State-of-the-art)のユニバーサル時系列モデルであるUniTSによって、我々のフレームワークは患者のユニークな生理的および行動的パターンを自律的に学習する。
• 参考スコア（独自算出の注目度）: 4.494833548150712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce AI on the Pulse, a real-world-ready anomaly detection system that continuously monitors patients using a fusion of wearable sensors, ambient intelligence, and advanced AI models. Powered by UniTS, a state-of-the-art (SoTA) universal time-series model, our framework autonomously learns each patient's unique physiological and behavioral patterns, detecting subtle deviations that signal potential health risks. Unlike classification methods that require impractical, continuous labeling in real-world scenarios, our approach uses anomaly detection to provide real-time, personalized alerts for reactive home-care interventions. Our approach outperforms 12 SoTA anomaly detection methods, demonstrating robustness across both high-fidelity medical devices (ECG) and consumer wearables, with a ~ 22% improvement in F1 score. However, the true impact of AI on the Pulse lies in @HOME, where it has been successfully deployed for continuous, real-world patient monitoring. By operating with non-invasive, lightweight devices like smartwatches, our system proves that high-quality health monitoring is possible without clinical-grade equipment. Beyond detection, we enhance interpretability by integrating LLMs, translating anomaly scores into clinically meaningful insights for healthcare professionals.
• Abstract（参考訳）: 我々は、ウェアラブルセンサー、環境知能、高度なAIモデルを融合して患者を継続的に監視する、現実世界の異常検出システムであるPulseにAIを導入する。 SoTA(State-of-the-art)の普遍的時系列モデルであるUniTSによって、我々のフレームワークは、患者のユニークな生理的および行動的パターンを自律的に学習し、潜在的な健康リスクを示唆する微妙な偏差を検出する。 現実のシナリオにおいて非現実的で連続的なラベル付けを必要とする分類方法とは異なり、我々のアプローチは異常検出を使用して、リアクティブなホームケア介入に対してリアルタイムでパーソナライズされたアラートを提供する。 提案手法は,高忠実度医療機器(ECG)と消費者ウェアラブルの両方において,F1スコアが約22%向上した,12 SoTA異常検出法より優れている。 しかし、Pulseに対するAIの本当の影響は@HOMEにある。 スマートウォッチのような非侵襲的で軽量なデバイスで操作することで、我々のシステムは臨床レベルの機器なしで高品質な健康モニタリングが可能になることを証明している。 検出以外にも、LSMを統合して、異常スコアを臨床的に意味のある医療専門家の洞察に翻訳することで、解釈可能性を高める。

関連論文リスト

• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• Heart2Mind: Human-Centered Contestable Psychiatric Disorder Diagnosis System using Wearable ECG Monitors [2.03647070634706]
  Heart2Mind(ハート2ミンド)は、ウェアラブル心電図(ECG)モニターを用いたヒト中心の精神疾患診断システムである。 本システムは,(1)極性H9/H10デバイスからのリアルタイムデータ取得のための心臓モニタリングインタフェース(CMI),(2)統合時間周波数領域分析によるRRI時系列処理を行うマルチスケールテンポラル周波数変換器(MSTFT),(3)自己反転説明(SAE)と競合可能な大言語モデル(LLM)を組み合わせた検査可能な診断インタフェース(CDI)からなる。
  論文  参考訳（メタデータ） (2025-05-16T18:21:08Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [43.02353546717171]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• Continuous Patient Monitoring with AI: Real-Time Analysis of Video in Hospital Care Settings [0.0]
  本研究は, 病院環境における継続的および受動的患者モニタリングのためのAI駆動型プラットフォームを提案する。 このプラットフォームは、ビデオ分析を通じて患者の行動と相互作用に関するリアルタイムな洞察を提供する。 このデータセットは11人の病院パートナーと共同で作成され、300人以上の高リスクの転倒患者を対象とする。
  論文  参考訳（メタデータ） (2024-12-17T18:23:33Z)
• Seamless Monitoring of Stress Levels Leveraging a Universal Model for Time Sequences [4.308104021015939]
  本稿では,時系列の普遍モデルUniTSに基づくリストバンドからのストレス検出手法を提案する。 提案手法は,3つのベンチマークデータセットにおいて,トップパフォーマンス手法をかなり上回っていることを示す。
  論文  参考訳（メタデータ） (2024-07-04T10:46:09Z)
• VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series [1.9665926763554147]
  本稿では,事前のラベル付けや信号固有知識を使わずに,微細分解能ICUデータ中のアーティファクトを検出するための,教師なしの手法を提案する。 本手法では,変分オートエンコーダ (VAE) と孤立林 (IF) をハイブリッドモデルに組み合わせて特徴を学習し,異常を同定する。 我々の教師なしアプローチは、完全に教師付きされた手法に匹敵する感度を達成し、外部データセットによく当てはまることを示す。
  論文  参考訳（メタデータ） (2023-12-10T18:03:40Z)
• VSViG: Real-time Video-based Seizure Detection via Skeleton-based Spatiotemporal ViG [8.100646331930953]
  正確なて効率的なてんかん発作検出は、患者に有益である。 従来の診断法は、主に脳波(EEG)に依存しており、しばしば困難で移植不可能な解決策をもたらす。 骨格型時間的視覚グラフニューラルネットワークを用いて,ビデオに基づく新しいシーズーア検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-24T15:07:29Z)
• New Epochs in AI Supervision: Design and Implementation of an Autonomous Radiology AI Monitoring System [5.50085484902146]
  本稿では,放射線学AI分類モデルの性能を実際に監視するための新しい手法を提案する。 予測分散と時間安定性という2つの指標を提案し、AIのパフォーマンス変化のプリエンプティブアラートに使用する。
  論文  参考訳（メタデータ） (2023-11-24T06:29:04Z)
• Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
  従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。 本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。 実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
  論文  参考訳（メタデータ） (2023-10-12T18:23:06Z)
• Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection [43.905374104261014]
  そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。 どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。 以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-03T15:37:40Z)
• Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy [63.20765930558542]
  パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。 本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
  論文  参考訳（メタデータ） (2022-05-11T09:12:59Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。