論文の概要: Lost in Time? A Meta-Learning Framework for Time-Shift-Tolerant Physiological Signal Transformation
- arxiv url: http://arxiv.org/abs/2511.21500v1
- Date: Wed, 26 Nov 2025 15:31:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:59.16645
- Title: Lost in Time? A Meta-Learning Framework for Time-Shift-Tolerant Physiological Signal Transformation
- Title（参考訳）: 時間損失? 時間シフト型物理信号変換のためのメタラーニングフレームワーク
- Authors: Qian Hong, Cheng Bian, Xiao Zhou, Xiaoyu Li, Yelei Li, Zijing Zeng,
- Abstract要約: 非侵襲的な信号を有意義な信号に変換することは、継続的な低コストな医療監視にとって不可欠である。
多モード信号変換における時間的ミスアライメントは変換精度を損なう。
本稿では,メタラーニングに基づく双方向最適化フレームワークであるShiftSyncNetを提案する。
- 参考スコア（独自算出の注目度）: 11.961706538324115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Translating non-invasive signals such as photoplethysmography (PPG) and ballistocardiography (BCG) into clinically meaningful signals like arterial blood pressure (ABP) is vital for continuous, low-cost healthcare monitoring. However, temporal misalignment in multimodal signal transformation impairs transformation accuracy, especially in capturing critical features like ABP peaks. Conventional synchronization methods often rely on strong similarity assumptions or manual tuning, while existing Learning with Noisy Labels (LNL) approaches are ineffective under time-shifted supervision, either discarding excessive data or failing to correct label shifts. To address this challenge, we propose ShiftSyncNet, a meta-learning-based bi-level optimization framework that automatically mitigates performance degradation due to time misalignment. It comprises a transformation network (TransNet) and a time-shift correction network (SyncNet), where SyncNet learns time offsets between training pairs and applies Fourier phase shifts to align supervision signals. Experiments on one real-world industrial dataset and two public datasets show that ShiftSyncNet outperforms strong baselines by 9.4%, 6.0%, and 12.8%, respectively. The results highlight its effectiveness in correcting time shifts, improving label quality, and enhancing transformation accuracy across diverse misalignment scenarios, pointing toward a unified direction for addressing temporal inconsistencies in multimodal physiological transformation.
- Abstract（参考訳）: 光胸腺撮影(PPG)やBCG(Ballistocardiography)のような非侵襲的なシグナルを、動脈血圧(ABP)のような臨床的に有意義な信号に変換することは、継続的な低コストな医療モニタリングに不可欠である。
しかし、マルチモーダル信号変換における時間的ずれは、特にAPPピークのような重要な特徴を捉える際に、変換精度を損なう。
従来の同期手法は強い類似性仮定や手動チューニングに頼っていることが多いが、既存のLearning with Noisy Labels(LNL)アプローチは、過剰なデータを捨てたりラベルシフトの修正に失敗したりする時間シフト管理の下では効果がない。
この課題に対処するため,メタラーニングに基づく双方向最適化フレームワークであるShiftSyncNetを提案する。
TransNet(TransNet)とSyncNet(SyncNet)で構成されており、SyncNetはトレーニングペア間のタイムオフセットを学習し、Fourierフェーズシフトを適用して監視信号を調整する。
1つの実世界の産業データセットと2つの公開データセットの実験では、ShiftSyncNetは、それぞれ9.4%、6.0%、12.8%の強いベースラインを上回っている。
その結果, 時間的変化の補正, ラベル品質の向上, 様々な不整合シナリオにおける変換精度の向上, マルチモーダルな生理的変換における時間的不整合に対処するための統一的な方向をめざすことができた。
関連論文リスト
- Doppler Invariant CNN for Signal Classification [0.0]
本稿では、周波数領域における畳み込みシフトの等価性を利用する複雑な値を持つ畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
ドップラーシフトのない例では, ランダムなドップラーシフトを伴わない場合と, ランダムなドップラーシフトを伴わない場合とで, 本モデルが一貫した分類精度を維持していることを示す。
論文 参考訳（メタデータ） (2025-11-18T16:31:13Z) - Reperio-rPPG: Relational Temporal Graph Neural Networks for Periodicity Learning in Remote Physiological Measurement [0.0]
リモート光麻痺(英: Remote Photoplethys)は、顔画像の微妙な色の変化を利用して、心拍数や呼吸速度などの重要な兆候を推定する、新たな生理的センシング技術である。
この非侵襲的手法は様々な領域で普及しているが、現実世界の条件下での微細な時間的ダイナミクスを捉える能力は過小評価されている。
周期構造を効果的に捉えるためにトランスフォーマーを戦略的に統合する新しいフレームワークであるGraph Reperio-rを提案する。
論文 参考訳（メタデータ） (2025-11-08T09:41:34Z) - Pi-Transformer: A Physics-informed Attention Mechanism for Time Series Anomaly Detection [3.8673630752805437]
2つの注意経路を持つ物理インフォーム変換器であるPi-Transformerを提案する。
このモデルは、アライメント重み付けされた再構成信号と、タイミングと位相破壊を強調するミスマッチ信号を組み合わせる。
Pi-Transformerは最先端または競争性の高いF1を実現し、特にタイミングと位相破壊異常に強い。
論文 参考訳（メタデータ） (2025-09-24T10:47:48Z) - Time-o1: Time-Series Forecasting Needs Transformed Label Alignment [50.54348432664401]
Time-o1は、時系列予測に適した変換強化学習目標である。
中心となる考え方は、ラベルシーケンスを区別された意味を持つ非相関なコンポーネントに変換することである。
Time-o1は最先端のパフォーマンスを実現し、様々な予測モデルと互換性がある。
論文 参考訳（メタデータ） (2025-05-23T13:00:35Z) - PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。
PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-06T16:20:25Z) - 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) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。
MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。
提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2023-09-11T02:35:22Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳（メタデータ） (2022-11-07T04:33:24Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z)
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。