論文の概要: Deep Learning for Metabolic Rate Estimation from Biosignals: A Comparative Study of Architectures and Signal Selection
- arxiv url: http://arxiv.org/abs/2511.09276v1
- Date: Thu, 13 Nov 2025 01:44:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.496474
- Title: Deep Learning for Metabolic Rate Estimation from Biosignals: A Comparative Study of Architectures and Signal Selection
- Title（参考訳）: 生体信号からの代謝率推定のための深層学習 : アーキテクチャと信号選択の比較
- Authors: Sarvenaz Babakhani, David Remy, Alina Roitberg,
- Abstract要約: エネルギー支出の推定は、心拍数、呼吸量、加速度計データなどの生理的信号からヒトの代謝率を推定することを目的としている。
本研究では,信号選択とニューラルアーキテクチャの役割を系統的に評価する。
以上の結果から, 極端根平均二乗誤差(RMSE)を0.87W/kgとする変圧器モデルにより, 微小換気が最も予測可能な個人信号であることが示唆された。
- 参考スコア（独自算出の注目度）: 7.2462186877798755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy expenditure estimation aims to infer human metabolic rate from physiological signals such as heart rate, respiration, or accelerometer data, and has been studied primarily with classical regression methods. The few existing deep learning approaches rarely disentangle the role of neural architecture from that of signal choice. In this work, we systematically evaluate both aspects. We compare classical baselines with newer neural architectures across single signals, signal pairs, and grouped sensor inputs for diverse physical activities. Our results show that minute ventilation is the most predictive individual signal, with a transformer model achieving the lowest root mean square error (RMSE) of 0.87 W/kg across all activities. Paired and grouped signals, such as those from the Hexoskin smart shirt (five signals), offer good alternatives for faster models like CNN and ResNet with attention. Per-activity evaluation revealed mixed outcomes: notably better results in low-intensity activities (RMSE down to 0.29 W/kg; NRMSE = 0.04), while higher-intensity tasks showed larger RMSE but more comparable normalized errors. Finally, subject-level analysis highlights strong inter-individual variability, motivating the need for adaptive modeling strategies. Our code and models will be publicly available at https://github.com/Sarvibabakhani/deeplearning-biosignals-ee .
- Abstract（参考訳）: エネルギー支出推定は、心拍数、呼吸量、加速度計データなどの生理的信号からヒトの代謝率を推定することを目的としており、主に古典的回帰法で研究されている。
数少ない既存のディープラーニングアプローチは、信号選択とニューラルアーキテクチャの役割を分離することは滅多にない。
本研究では,両側面を体系的に評価する。
従来のベースラインと、単一信号、信号ペア、および多様な物理的活動のためのグループ化されたセンサー入力を含む、より新しいニューラルアーキテクチャを比較した。
以上の結果から, 微小換気が最も予測可能な個人信号であり, トランスフォーマーモデルでは全ての活動において最低根平均二乗誤差(RMSE)が0.87W/kgであることがわかった。
ヘクソスキンのスマートシャツ(5つの信号)のようなペアリングとグループ化された信号は、CNNやResNetのようなより高速なモデルに注意を向ける優れた代替手段を提供する。
低強度(RMSE: 0.29 W/kg; NRMSE = 0.04)と高強度タスク(RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE)と高強度タスク(RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE)と高強度タスク(以下、RMSE: RMSE: RMSE: RMSE)と高強度タスク(以下、RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE: RMSE)は、より大きい
最後に、主観レベルの分析は、個人間の強い多様性を強調し、適応的モデリング戦略の必要性を動機付けている。
私たちのコードとモデルはhttps://github.com/Sarvibabakhani/deeplearning-biosignals-eeで公開されます。
関連論文リスト
- NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。
我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。
実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
論文 参考訳（メタデータ） (2025-10-15T01:26:52Z) - 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) - A multi-head deep fusion model for recognition of cattle foraging events using sound and movement signals [0.2450783418670958]
この研究は、音響信号と慣性信号の融合に基づくディープニューラルネットワークを導入する。
このモデルの主な利点は、それぞれから独立して特徴の自動抽出による信号の組み合わせである。
論文 参考訳（メタデータ） (2025-05-15T11:55:16Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。
本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。
提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
論文 参考訳（メタデータ） (2022-04-20T16:48:18Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳（メタデータ） (2022-03-14T17:24:03Z) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳（メタデータ） (2021-07-23T06:37:38Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG
signals [4.748221780751802]
ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。
臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。
脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
論文 参考訳（メタデータ） (2020-12-22T11:10:23Z) - Ensemble emotion recognizing with multiple modal physiological signals [9.406420908566517]
異なる感情に対する複数のモーダル生理的信号を用いた感情分類モデルを提案する。
DEAPデータセットのベンチマークで実験を行う。
4段階のタスクでは、平均的な分類精度は90.74であり、安定性がよい。
論文 参考訳（メタデータ） (2020-01-01T11:44:43Z)
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。