論文の概要: Cross-Modal Computational Model of Brain-Heart Interactions via HRV and EEG Feature

• arxiv url: http://arxiv.org/abs/2601.06792v1
• Date: Sun, 11 Jan 2026 07:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.990781
• Title: Cross-Modal Computational Model of Brain-Heart Interactions via HRV and EEG Feature
• Title（参考訳）: HRVと脳波特徴を用いた脳-心臓相互作用の相互計算モデル
• Authors: Malavika Pradeep, Akshay Sasi, Nusaibah Farrukh, Rahul Venugopal, Elizabeth Sherly,
• Abstract要約: ECG信号はヘッドバンドのようなウェアラブル機器で実現可能である。 本研究は,心電図由来の特徴が認知負荷の代理指標となるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The electroencephalogram (EEG) has been the gold standard for quantifying mental workload; however, due to its complexity and non-portability, it can be constraining. ECG signals, which are feasible on wearable equipment pieces such as headbands, present a promising method for cognitive state monitoring. This research explores whether electrocardiogram (ECG) signals are able to indicate mental workload consistently and act as surrogates for EEG-based cognitive indicators. This study investigates whether ECG-derived features can serve as surrogate indicators of cognitive load, a concept traditionally quantified using EEG. Using a publicly available multimodal dataset (OpenNeuro) of EEG and ECG recorded during working-memory and listening tasks, features of HRV and Catch22 descriptors are extracted from ECG, and spectral band-power with Catch22 features from EEG. A cross-modal regression framework based on XGBoost was trained to map ECG-derived HRV representations to EEG-derived cognitive features. In order to address data sparsity and model brain-heart interactions, we integrated the PSV-SDG to produce EEG-conditioned synthetic HRV time series.This addresses the challenge of inferring cognitive load solely from ECG-derived features using a combination of multimodal learning, signal processing, and synthetic data generation. These outcomes form a basis for light, interpretable machine learning models that are implemented through wearable biosensors in non-lab environments. Synthetic HRV inclusion enhances robustness, particularly in sparse data situations. Overall, this work is an initiation for building low-cost, explainable, and real-time cognitive monitoring systems for mental health, education, and human-computer interaction, with a focus on ageing and clinical populations.
• Abstract（参考訳）: 心電図(EEG)は、精神労働負荷を定量化するための金の標準であるが、その複雑さと非可搬性のため、制約を受けることがある。 ヘッドバンドなどのウェアラブル機器で実現可能なECG信号は,認知状態監視のための有望な方法である。 本研究では、心電図(ECG)信号が精神労働負荷を一貫して示し、脳波に基づく認知指標の補助役として機能するかどうかを検討する。 本研究は,脳波を用いた従来の定量化概念である,心電図に基づく特徴が認知負荷の代理指標として機能するかどうかを考察する。 ワークメモリおよびリスニングタスク中に記録された、EEGとECGの公開可能なマルチモーダルデータセット(OpenNeuro)を使用して、ECGからHRVとCatch22ディスクリプタの特徴を抽出し、EEGからCatch22機能を備えたスペクトルバンドパワーを抽出する。 XGBoostに基づくクロスモーダル回帰フレームワークは、心電図由来のHRV表現を脳波由来の認知特徴にマッピングするために訓練された。 そこで我々はPSV-SDGを統合してEEG条件の合成HRV時系列を生成することにより,マルチモーダル学習,信号処理,合成データ生成を組み合わせたECGからのみ認知負荷を推定する課題を解決した。 これらの結果は、非ラブ環境におけるウェアラブルバイオセンサーを通じて実装される、軽量で解釈可能な機械学習モデルの基礎となる。 合成HRVインクルージョンは、特にスパースデータ状況において堅牢性を高める。 全体として、この研究は、精神保健、教育、人間とコンピュータのインタラクションのための低コストで説明可能なリアルタイム認知モニタリングシステムを構築するための始まりであり、高齢化と臨床人口に焦点を当てている。

関連論文リスト

• Unveiling the Heart-Brain Connection: An Analysis of ECG in Cognitive Performance [0.1631115063641726]
  ECG信号は認知負荷を確実に反映し、脳波に基づく指標のプロキシとして機能する。 脳波表現型認知空間にECG特徴を投影するクロスモーダルなXGBoostフレームワークを提案する。 本研究は心電図を日常的な認知モニタリングのための解釈可能でリアルタイムなウェアラブルソリューションとして捉えたものである。
  論文  参考訳（メタデータ） (2026-01-04T08:06:19Z)
• Leveraging Foundational Models and Simple Fusion for Multi-modal Physiological Signal Analysis [0.0]
  我々はCBraModエンコーダを大規模自己監督型ECGプリトレーニングに適用する。 我々は、事前訓練されたCBraModエンコーダをEEGに利用し、対称ECGエンコーダを事前訓練する。 提案手法は, 簡単な融合であっても, 慎重に設計された生理的エンコーダが下流性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-12-17T09:49:06Z)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• High-Fidelity Synthetic ECG Generation via Mel-Spectrogram Informed Diffusion Training [3.864395218585964]
  リアル患者心電図(ECG)データの共有に関するプライバシー制限により、心臓ケアのための機械学習の開発が妨げられる。 本研究は、現在の生成ECG法における2つの大きな欠点に対処する。 条件付き拡散に基づく構造化状態空間モデル (Structured State Space Model, SSSD-ECG) を2つの原則により構築する。
  論文  参考訳（メタデータ） (2025-10-07T01:14:53Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• 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)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
  本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。 本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。 以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
  論文  参考訳（メタデータ） (2022-10-22T18:06:11Z)

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。