論文の概要: Weighted Temporal Decay Loss for Learning Wearable PPG Data with Sparse Clinical Labels

• arxiv url: http://arxiv.org/abs/2602.02917v1
• Date: Mon, 02 Feb 2026 23:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.139046
• Title: Weighted Temporal Decay Loss for Learning Wearable PPG Data with Sparse Clinical Labels
• Title（参考訳）: 軽度臨床ラベルを用いたウェアラブルPSGデータの学習における重み付き時間減衰損失
• Authors: Yunsung Chung, Keum San Chun, Migyeong Gwak, Han Feng, Yingshuo Liu, Chanho Lim, Viswam Nathan, Nassir Marrouche, Sharanya Arcot Desai,
• Abstract要約: トレーニング戦略は、セグメントとその基底真理ラベル間の時間的ギャップを通じて、サンプル重量のバイオマーカー特異的な崩壊を学習する。 10のバイオマーカーからなる450人の参加者によるスマートウォッチPPGでは、このアプローチはベースラインよりも改善されている。
• 参考スコア（独自算出の注目度）: 4.73280675105624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in wearable computing and AI have increased interest in leveraging PPG for health monitoring over the past decade. One of the biggest challenges in developing health algorithms based on such biosignals is the sparsity of clinical labels, which makes biosignals temporally distant from lab draws less reliable for supervision. To address this problem, we introduce a simple training strategy that learns a biomarker-specific decay of sample weight over the time gap between a segment and its ground truth label and uses this weight in the loss with a regularizer to prevent trivial solutions. On smartwatch PPG from 450 participants across 10 biomarkers, the approach improves over baselines. In the subject-wise setting, the proposed approach averages 0.715 AUPRC, compared to 0.674 for a fine-tuned self-supervised baseline and 0.626 for a feature-based Random Forest. A comparison of four decay families shows that a simple linear decay function is most robust on average. Beyond accuracy, the learned decay rates summarize how quickly each biomarker's PPG evidence becomes stale, providing an interpretable view of temporal sensitivity.
• Abstract（参考訳）: ウェアラブルコンピューティングとAIの進歩は、過去10年間の健康モニタリングにPSGを活用することへの関心を高めている。 このようなバイオシグナーをベースとした健康アルゴリズムを開発する上での最大の課題の1つは、臨床ラベルの空間性である。 この問題に対処するため,本手法では,セグメントと接地真理ラベルの時間的ギャップに,サンプル重量のバイオマーカー特異的な減衰を学習し,この重みを正則化器による損失を利用して,自明な解を防止できる簡単なトレーニング手法を提案する。 10のバイオマーカーからなる450人の参加者によるスマートウォッチPPGでは、このアプローチはベースラインよりも改善されている。 主観的な設定では、提案手法は平均0.715 AUPRCであり、細調整された自監督ベースラインは0.674、特徴ベースのランダムフォレストは0.626である。 4つの崩壊族の比較は、単純線型崩壊関数が平均において最も堅牢であることを示している。 精度を超えて、学習された崩壊速度は、それぞれのバイオマーカーのPSGの証拠がいかに早く停滞するかを要約し、時間的感度の解釈可能なビューを提供する。

関連論文リスト

• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Assessing the Feasibility of Early Cancer Detection Using Routine Laboratory Data: An Evaluation of Machine Learning Approaches on an Imbalanced Dataset [0.02030567625639093]
  犬における早期がん検出のためのアクセス可能なスクリーニングツールの開発は、獣医学における重要な課題である。 本研究は,Golden Retriever Lifetime Studyコホートを用いたがんリスク分類の可能性を評価する。 通常の検査データには統計的に検出可能ながんシグナルが存在するが、正常な老化やその他の炎症状態から臨床的に信頼性の高い識別を行うには弱く、確立されていないと結論付けている。
  論文  参考訳（メタデータ） (2025-10-23T04:52:42Z)
• RareGraph-Synth: Knowledge-Guided Diffusion Models for Generating Privacy-Preserving Synthetic Patient Trajectories in Ultra-Rare Diseases [0.0]
  超希少疾患の軌跡を生成する知識誘導型連続拡散フレームワークを提案する。 RareGraph-Synthは5つの公開リソースを約8Mの型付きエッジからなる異種知識グラフに統合する。 保護された健康情報を含まない、ラボコード、薬物コード、悪臭の三重奏のタイムスタンプが生成される。
  論文  参考訳（メタデータ） (2025-10-06T03:59:09Z)
• Temporal Vegetation Index-Based Unsupervised Crop Stress Detection via Eigenvector-Guided Contrastive Learning [0.0]
  EigenCLは、時間的NDREダイナミクスによってガイドされる教師なしのコントラスト学習フレームワークである。 データスカース農業環境における実世界の展開に適している。
  論文  参考訳（メタデータ） (2025-06-03T21:06:26Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)

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。