論文の概要: Exploring the Relationships Between Physiological Signals During Automated Fatigue Detection

• arxiv url: http://arxiv.org/abs/2509.21794v1
• Date: Fri, 26 Sep 2025 02:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.142019
• Title: Exploring the Relationships Between Physiological Signals During Automated Fatigue Detection
• Title（参考訳）: 疲労自動検出における生理信号の関連性の検討
• Authors: Kourosh Kakhi, Abbas Khosravi, Roohallah Alizadehsani, U. Rajendra Acharyab,
• Abstract要約: 生理的信号を用いた疲労検出は、輸送、医療、パフォーマンス監視といった領域において重要である。 本研究は,信号対間の統計的関係を調べ,分類ロバスト性を改善する。 EMG EEGの組み合わせによるXGBoostは最高のパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 3.7033123545674758
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fatigue detection using physiological signals is critical in domains such as transportation, healthcare, and performance monitoring. While most studies focus on single modalities, this work examines statistical relationships between signal pairs to improve classification robustness. Using the DROZY dataset, we extracted features from ECG, EMG, EOG, and EEG across 15 signal combinations and evaluated them with Decision Tree, Random Forest, Logistic Regression, and XGBoost. Results show that XGBoost with the EMG EEG combination achieved the best performance. SHAP analysis highlighted ECG EOG correlation as a key feature, and multi signal models consistently outperformed single signal ones. These findings demonstrate that feature level fusion of physiological signals enhances accuracy, interpretability, and practical applicability of fatigue monitoring systems.
• Abstract（参考訳）: 生理的信号を用いた疲労検出は、輸送、医療、パフォーマンス監視といった領域において重要である。 ほとんどの研究は単一モーダル性に焦点を当てているが、この研究は信号対間の統計的関係を調べて分類の堅牢性を改善する。 DROZYデータセットを用いて、15の信号の組み合わせでECG、EMG、EOG、EEGの特徴を抽出し、決定木、ランダムフォレスト、ロジスティック回帰、XGBoostで評価した。 その結果,XGBoostとEMG EEGの組み合わせは最高の性能を示した。 SHAP分析では、ECG EOG相関が鍵となる特徴として強調され、マルチ信号モデルは単一信号よりも一貫して優れていた。 これらの結果から, 生理的信号の高度融合は疲労モニタリングシステムの精度, 解釈可能性, 実用性を高めることが示唆された。

関連論文リスト

• Graph-Based Spatio-temporal Attention and Multi-Scale Fusion for Clinically Interpretable, High-Fidelity Fetal ECG Extraction [3.5236401979395833]
  先天性心疾患 (CHD) が最も一般的な新生児の異常であり、早期発見が早期発見の必要性を浮き彫りにしている。 しかし,腹壁心電図(aECG)の胎児心電図(fECG)信号は母体心電図やノイズによって隠蔽されることが多く,低信号-雑音比(SNR)条件下での従来の手法に挑戦する。 本稿では,グラフニューラルネットワークとマルチスケール拡張トランスフォーマを統合し,動的にリード間相関をモデル化し,クリーンなfECG信号を抽出する深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T19:44:21Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Runtime Monitoring and Statistical Approaches for Correlation Analysis of ECG and PPG [3.9526036279093937]
  ECGとPSGは同じ現象に「異なる窓」を与える信号である。 ECG と PPG は別々に使用されるが、異なる ECG と PPG の事象の正確な補正についての研究は行われていない。 本稿では,ECG と PPG 信号の鍵となる関係を正式に確立するための最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-20T08:01:45Z)
• Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
  心電図(ECG)信号から心疾患を視覚的に検出することは困難である。 自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-11-12T04:20:56Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。