論文の概要: EARS-UDE: Evaluating Auditory Response in Sensory Overload with Universal Differential Equations

• arxiv url: http://arxiv.org/abs/2510.26804v1
• Date: Thu, 16 Oct 2025 10:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-09 16:58:40.005578
• Title: EARS-UDE: Evaluating Auditory Response in Sensory Overload with Universal Differential Equations
• Title（参考訳）: EARS-UDE:普遍微分方程式を用いた感覚過負荷時の聴覚応答の評価
• Authors: Miheer Salunke, Prathamesh Dinesh Joshi, Raj Abhijit Dandekar, Rajat Dandekar, Sreedath Panat,
• Abstract要約: 自閉症スペクトラム障害(ASD)における聴覚過負荷の50～70%への影響 自閉症における感覚適応力学をモデル化するために,Universal Differential Equations (UDEs) を用いた科学機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 4.285464959472458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auditory sensory overload affects 50-70% of individuals with Autism Spectrum Disorder (ASD), yet existing approaches, such as mechanistic models (Hodgkin Huxley type, Wilson Cowan, excitation inhibition balance), clinical tools (EEG/MEG, Sensory Profile scales), and ML methods (Neural ODEs, predictive coding), either assume fixed parameters or lack interpretability, missing autism heterogeneity. We present a Scientific Machine Learning approach using Universal Differential Equations (UDEs) to model sensory adaptation dynamics in autism. Our framework combines ordinary differential equations grounded in biophysics with neural networks to capture both mechanistic understanding and individual variability. We demonstrate that UDEs achieve a 90.8% improvement over pure Neural ODEs while using 73.5% fewer parameters. The model successfully recovers physiological parameters within the 2% error and provides a quantitative risk assessment for sensory overload, predicting 17.2% risk for pulse stimuli with specific temporal patterns. This framework establishes foundations for personalized, evidence-based interventions in autism, with direct applications to wearable technology and clinical practice.
• Abstract（参考訳）: 聴覚感覚過負荷は自閉症スペクトラム障害(ASD)の50～70%に影響を及ぼすが、機械的モデル(ホジキン・ハクスリー型、ウィルソン・コーワン型、励起抑制バランス)、臨床ツール(EEG/MEG、感覚プロファイルスケール)、ML法(ニューラルODE、予測符号化)などの既存のアプローチでは、固定パラメータを仮定するか、解釈可能性の欠如、自閉症不均一性を欠いている。 自閉症における感覚適応力学をモデル化するために,Universal Differential Equations (UDEs) を用いた科学機械学習手法を提案する。 我々のフレームワークは、生体物理学の基底となる常微分方程式とニューラルネットワークを組み合わせて、機械的理解と個人的多様性の両方を捉える。 73.5%のパラメータを使用しながら、UDEが純粋なニューラルODEよりも90.8%改善できることを実証した。 このモデルは2%の誤差で生理的パラメータを回復し、感覚過負荷の定量的リスク評価を行い、特定の時間パターンを持つパルス刺激の17.2%のリスクを予測した。 この枠組みは、パーソナライズされたエビデンスに基づく自閉症の介入の基礎を確立し、ウェアラブル技術や臨床実践に直接応用する。

関連論文リスト

• Acoustic Index: A Novel AI-Driven Parameter for Cardiac Disease Risk Stratification Using Echocardiography [0.0]
  本稿では,標準的な超音波画像から心機能障害の定量化を目的とした,新しいAI誘発心エコーパラメータであるAudiotic Indexを紹介する。 このモデルは、クープマン作用素理論に基づく拡張動的モード分解(EDMD)と、臨床メタデータを組み込んだハイブリッドニューラルネットワークを組み合わせる。 様々な心疾患と正常なコントロールを含む736人の前向きコホートにおいて、AUCは独立したテストセットで0.89の曲線(AUC)の領域を達成した。 5回にまたがるクロスバリデーションによりモデルの堅牢性が確認され, 感度と特異性は, 独立データで0.8以上であった。
  論文  参考訳（メタデータ） (2025-07-17T21:27:28Z)
• Interpretable Multi-Task PINN for Emotion Recognition and EDA Prediction [0.0]
  本研究では,電場活動(EDA)予測と感情分類を同時に行う新しいマルチタスク物理情報ニューラルネットワーク(PINN)を提案する。 このモデルは、心理学的自己報告特徴(PANASとSAM)と、EDAダイナミクスを表す物理学に着想を得た微分方程式を統合する。 このアーキテクチャは両方のタスクに対して二重出力をサポートし、統一されたマルチタスクフレームワークの下で訓練される。
  論文  参考訳（メタデータ） (2025-05-14T03:13:51Z)
• EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
  本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
  論文  参考訳（メタデータ） (2025-01-20T12:05:14Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Explainable AI and Machine Learning Towards Human Gait Deterioration Analysis [0.0]
  歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。 physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-06-12T14:53:00Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning? [5.827840113217155]
  急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。 高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。 未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2021-09-25T09:10:10Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。