論文の概要: Multimodal signal fusion for stress detection using deep neural networks: a novel approach for converting 1D signals to unified 2D images

• arxiv url: http://arxiv.org/abs/2509.13636v1
• Date: Wed, 17 Sep 2025 02:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.694234
• Title: Multimodal signal fusion for stress detection using deep neural networks: a novel approach for converting 1D signals to unified 2D images
• Title（参考訳）: ディープニューラルネットワークを用いたストレス検出のためのマルチモーダル信号融合 : 1次元信号を統一2次元画像に変換する新しいアプローチ
• Authors: Yasin Hasanpoor, Bahram Tarvirdizadeh, Khalil Alipour, Mohammad Ghamari,
• Abstract要約: 本研究では,マルチモーダルな信号光胸腺撮影,ガルバニック皮膚反応(GSR),アクセラレーション(ACC)を2次元画像行列に変換する新しい手法を提案する。 これらの信号を別々に処理したり、固定符号化に依存したりする従来の手法とは異なり、我々の手法はそれらを構造化画像表現に融合させる。 この画像ベースの変換は、解釈可能性を改善するだけでなく、データ拡張の堅牢な形式としても機能する。
• 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: This study introduces a novel method that transforms multimodal physiological signalsphotoplethysmography (PPG), galvanic skin response (GSR), and acceleration (ACC) into 2D image matrices to enhance stress detection using convolutional neural networks (CNNs). Unlike traditional approaches that process these signals separately or rely on fixed encodings, our technique fuses them into structured image representations that enable CNNs to capture temporal and cross signal dependencies more effectively. This image based transformation not only improves interpretability but also serves as a robust form of data augmentation. To further enhance generalization and model robustness, we systematically reorganize the fused signals into multiple formats, combining them in a multi stage training pipeline. This approach significantly boosts classification performance. While demonstrated here in the context of stress detection, the proposed method is broadly applicable to any domain involving multimodal physiological signals, paving the way for more accurate, personalized, and real time health monitoring through wearable technologies.
• Abstract（参考訳）: 本研究では,マルチモーダルな生理的信号光胸腺撮影 (PPG), ガルバニック皮膚反応 (GSR), アクセラレーション (ACC) を2次元画像行列に変換することによって,畳み込みニューラルネットワーク (CNN) を用いたストレス検出を向上する手法を提案する。 これらの信号を別々に処理したり、固定符号化に依存したりする従来の手法とは異なり、我々の手法はそれらを構造化画像表現に融合させ、CNNが時間的および横断的な信号の依存関係をより効果的にキャプチャできるようにする。 この画像ベースの変換は、解釈可能性を改善するだけでなく、データ拡張の堅牢な形式としても機能する。 一般化とモデルロバスト性をさらに向上するために、融合した信号を複数のフォーマットに体系的に再構成し、それらを多段階学習パイプラインで組み合わせる。 このアプローチは分類性能を大幅に向上させる。 ここでは、ストレス検出の文脈で実証されているが、提案手法は、ウェアラブル技術によるより正確でパーソナライズされ、リアルタイムな健康モニタリングを行うために、マルチモーダルな生理的信号を含むあらゆる領域に適用可能である。

関連論文リスト

• Toward Relative Positional Encoding in Spiking Transformers [52.62008099390541]
  スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、脳内のニューロンが離散スパイクを通してどのように通信するかを模倣するバイオインスパイアネットワークである。 スパイキングトランスフォーマーにおける相対的位置符号化(RPE)を近似するためのいくつかの戦略を導入する。
  論文  参考訳（メタデータ） (2025-01-28T06:42:37Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing Cardiac MRI Reconstruction [21.261567937245808]
  本研究は、心臓を暗黙のニューラルネットワークで表現し、心臓の表現が測定値と整合するようにネットワークを適合させる再構築手法を提案する。 提案手法は,最先端の未訓練畳み込みニューラルネットワークと同等あるいはわずかに優れた画像品質を実現する。
  論文  参考訳（メタデータ） (2023-05-11T14:14:30Z)
• fRegGAN with K-space Loss Regularization for Medical Image Translation [42.253647362909476]
  GAN(Generative Adversarial Network)は、現実的な画像の生成において顕著な成功を収めている。 GANは低周波の周波数バイアスに悩まされる傾向にあり、それによって生成された画像の重要な構造が取り除かれる。 本稿では,fRegGANと呼ばれる教師付きRegGANアプローチに基づく新しい周波数対応画像画像変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T12:49:10Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Segmentation-guided Domain Adaptation and Data Harmonization of Multi-device Retinal Optical Coherence Tomography using Cycle-Consistent Generative Adversarial Networks [2.968191199408213]
  本稿では,複数のデバイスからの画像を単一画像領域に適応させるセグメント化誘導型領域適応手法を提案する。 来るべき新しいデータセットに対する手動ラベリングの時間消費と、既存のネットワークの再トレーニングを回避する。
  論文  参考訳（メタデータ） (2022-08-31T05:06:00Z)
• An Adaptive Sampling and Edge Detection Approach for Encoding Static Images for Spiking Neural Networks [0.2519906683279152]
  スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークの第3世代と考えられている。 本稿では,エッジ検出と適応信号サンプリング手法を用いて,静的画像を時間的スパイク列車に符号化する方法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T19:31:52Z)

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。