論文の概要: Physics-Informed Neural Networks vs. Physics Models for Non-Invasive Glucose Monitoring: A Comparative Study Under Realistic Synthetic Conditions

• arxiv url: http://arxiv.org/abs/2509.12253v1
• Date: Fri, 12 Sep 2025 12:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.652484
• Title: Physics-Informed Neural Networks vs. Physics Models for Non-Invasive Glucose Monitoring: A Comparative Study Under Realistic Synthetic Conditions
• Title（参考訳）: 非侵襲グルコースモニタリングのための物理インフォームニューラルネットワークと物理モデル:実数論的合成条件による比較研究
• Authors: Riyaadh Gani,
• Abstract要約: 非侵襲的なグルコースモニターは、既存のデータセットがハードウェアノイズ、環境の漂流、人と人の生理を無視するため、ラボ外で失敗することが多い。 12ビットのADC量子化を注入する初の超現実的近赤外(NIR)シミュレータを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Non-invasive glucose monitors often fail outside the lab because existing datasets ignore hardware noise, environmental drift, and person-to-person physiology. We introduce the first ultra-realistic near-infrared (NIR) simulator that injects 12-bit ADC quantisation, +/-0.1% LED ageing, photodiode dark noise, 15-45 C temperature, 30-90% relative humidity, contact-pressure variation, Fitzpatrick I-VI melanin, and diurnal glucose excursions (dawn phenomenon). Using this platform (rho glucose-NIR = 0.21), we benchmark six methods: Enhanced Beer-Lambert (physics-engineered ridge regression), three physics-informed neural networks (PINNs), a selective radiative-transfer PINN, and a shallow DNN. Beer-Lambert achieves 13.6 mg/dL RMSE, 95.8% Clarke-A and 93.8% +/-15% accuracy with only 56 parameters and 0.01 ms inference, outperforming the best PINN (14.6 mg/dL) and the SDNN baseline (35.1 mg/dL). Results overturn the assumption that deeper PINNs dominate and supply an open, end-to-end reference stack for rapid prototyping of embedded optical glucose sensors.
• Abstract（参考訳）: 非侵襲的なグルコースモニターは、既存のデータセットがハードウェアノイズ、環境の漂流、人と人の生理を無視するため、ラボ外で失敗することが多い。 12ビットのADC量子化,+/-0.1%LED老化,光ダイオード暗騒音,15-45C温度,30-90%相対湿度,接触圧変化,フィッツパトリックI-VIメラニン,日中グルコース抽出を注入する最初の超現実的近赤外(NIR)シミュレータを紹介した。 このプラットフォーム (rho glucose-NIR = 0.21) を用いて, 強化ビーア・ランベルト (物理工学的な尾根回帰), 3つの物理インフォームドニューラルネットワーク (PINN) , 選択的放射透過型PINN, 浅いDNNの6つの手法をベンチマークした。 ビール・ランバートは13.6mg/dL RMSE、95.8%クラーク-A、93.8%+/-15%の精度で56のパラメータと0.01msの推論を達成し、最高のPINN(14.6mg/dL)とSDNNベースライン(35.1mg/dL)を上回っている。 その結果、深いPINNが広まると仮定を覆し、埋め込み型光グルコースセンサーの高速プロトタイピングのためのオープンでエンドツーエンドのリファレンススタックを提供するという仮定が覆された。

関連論文リスト

• Optimizing Deep Learning for Skin Cancer Classification: A Computationally Efficient CNN with Minimal Accuracy Trade-Off [0.7392022204015549]
  本研究では,パラメータの96.7%削減を実現し,分類精度が0.022%未満のCNNモデルを提案する。 我々の軽量CNNアーキテクチャは、ResNet50の4.00億ドルと比較してわずか30.04万のFLOPしか含まないため、エネルギー消費、メモリフットプリント、推論時間を大幅に削減する。
  論文  参考訳（メタデータ） (2025-05-27T16:53:58Z)
• 3D Brain MRI Classification for Alzheimer Diagnosis Using CNN with Data Augmentation [0.0]
  3次元畳み込みニューラルネットワークは、T1強調脳スキャンを健康またはアルツハイマーと分類するために開発された。 ネットワークは、3D畳み込み、プーリング、バッチ正規化、密度の高いReLU層、シグモイド出力を含む。
  論文  参考訳（メタデータ） (2025-05-07T03:32:25Z)
• Mamba-based Deep Learning Approach for Sleep Staging on a Wireless Multimodal Wearable System without Electroencephalography [3.7428541180163126]
  本稿では,アンネワンからの信号に基づいて,マンバをベースとした睡眠ステージングのための深層学習手法について検討する。 健常成人357名を対象に, 同時ポリソムノグラフィーを施行した。 これらの記録に基づいて,Mambaベースのリカレントニューラルネットワークアーキテクチャをトレーニングした。
  論文  参考訳（メタデータ） (2024-12-20T14:43:02Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Heart Murmur and Abnormal PCG Detection via Wavelet Scattering Transform & a 1D-CNN [10.744998586806474]
  この研究は、心電図(PCG)記録から自動的かつ正確な心臓外傷検出を行う。 2つのパブリックPCGデータセット(CirCor Digiscope 2022データセットとPCG 2016データセット)を使用して、3つのカスタムニューラルネットワーク(NN)をトレーニングおよびテストする。
  論文  参考訳（メタデータ） (2023-03-12T13:49:45Z)
• Privacy-preserving Social Distance Monitoring on Microcontrollers with Low-Resolution Infrared Sensors and CNNs [10.80166668204102]
  低解像度赤外線アレイセンサーは、光学カメラやスマートフォン/ウェアラブルに代わり、低コスト、低消費電力、プライバシー保護を提供する。 小型畳み込みニューラルネットワーク(CNN)を用いた8x8 IRアレイセンサの生出力を精度良く検出できることを実証した。 我々は,最も優れたCNNが86.3%のバランスの取れた精度を達成し,最先端の決定論的アルゴリズムによって達成された61%を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2022-04-22T07:17:45Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。