論文の概要: AMS-HD: Hyperdimensional Computing for Real-Time and Energy-Efficient Acute Mountain Sickness Detection

• arxiv url: http://arxiv.org/abs/2602.08916v1
• Date: Mon, 09 Feb 2026 17:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.393797
• Title: AMS-HD: Hyperdimensional Computing for Real-Time and Energy-Efficient Acute Mountain Sickness Detection
• Title（参考訳）: AMS-HD: リアルタイム・エネルギー効率の高い山火事検出のための超次元計算
• Authors: Abu Masum, Mehran Moghadam, M. Hassan Najafi, Bige Unluturk, Ulkuhan Guler, Sercan Aygun,
• Abstract要約: AMS-HDは,特徴抽出とアダマールHVエンコーディングを統合し,HDCに基づく検出の精度と効率を両立させる新しいシステムである。 このフレームワークは、ウェアラブルの健康モニタリングプラットフォームへのデプロイに適しており、急性高度病の継続的なオンザゴートラッキングを可能にする。
• 参考スコア（独自算出の注目度）: 1.1822175015432421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Altitude sickness is a potentially life-threatening condition that impacts many individuals traveling to elevated altitudes. Timely detection is critical as symptoms can escalate rapidly. Early recognition enables simple interventions such as descent, oxygen, or medication, and prompt treatment can save lives by significantly lowering the risk of severe complications. Although conventional machine learning (ML) techniques have been applied to identify altitude sickness using physiological signals, such as heart rate, oxygen saturation, respiration rate, blood pressure, and body temperature, they often struggle to balance predictive performance with low hardware demands. In contrast, hyperdimensional computing (HDC) remains under-explored for this task with limited biomedical features, where it may offer a compelling alternative to existing classification models. Its vector symbolic framework is inherently suited to hardware-efficient design, making it a strong candidate for low-power systems like wearables. Leveraging lightweight computation and efficient streamlined memory usage, HDC enables real-time detection of altitude sickness from physiological parameters collected by wearable devices, achieving accuracy comparable to that of traditional ML models. We present AMS-HD, a novel system that integrates tailored feature extraction and Hadamard HV encoding to enhance both the precision and efficiency of HDC-based detection. This framework is well-positioned for deployment in wearable health monitoring platforms, enabling continuous, on-the-go tracking of acute altitude sickness.
• Abstract（参考訳）: 高度の病気は生命を脅かす可能性があり、高い高度に旅行する多くの個人に影響を及ぼす。 症状が急速にエスカレートするので、タイムリーな検出が重要である。 早期の認識は、降下、酸素、薬物などの単純な介入を可能にし、迅速な治療は、重篤な合併症のリスクを著しく下げることによって、命を救うことができる。 従来の機械学習(ML)技術は、心拍数、酸素飽和度、呼吸速度、血圧、体温などの生理的信号を用いて、高度の病気を特定するために応用されているが、低いハードウェア要求と予測性能のバランスをとるのに苦労することが多い。 対照的に、超次元コンピューティング(HDC)は、既存の分類モデルに代わる魅力的な代替手段を提供する、限られた生体医学的特徴を持つこの課題に対して、まだ探索されていない。 そのベクトルシンボリックフレームワークは本質的にハードウェア効率のよい設計に適しているため、ウェアラブルのような低消費電力システムには強力な候補となる。 軽量な計算と効率的な合理化メモリの使用により、HDCはウェアラブルデバイスによって収集された生理的パラメータからリアルタイムに高度障害の検出を可能にし、従来のMLモデルに匹敵する精度を達成する。 AMS-HDは,特徴抽出とアダマールHVエンコーディングを統合し,HDCに基づく検出の精度と効率を両立させる新しいシステムである。 このフレームワークは、ウェアラブルの健康モニタリングプラットフォームへのデプロイに適しており、急性高度病の継続的なオンザゴートラッキングを可能にする。

関連論文リスト

• LWMSCNN-SE: A Lightweight Multi-Scale Network for Efficient Maize Disease Classification on Edge Devices [0.0]
  LWMSCNN-SEは,マルチスケール特徴抽出,深度的に分離可能な畳み込み,SE注意機構を統合した軽量畳み込みニューラルネットワーク(CNN)である。 この新しい組み合わせにより、このモデルは241,348パラメータと0.666 GFLOPで96.63%の分類精度を達成でき、フィールドアプリケーションのリアルタイム展開に適している。
  論文  参考訳（メタデータ） (2026-01-12T19:45:10Z)
• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• HDC-X: Efficient Medical Data Classification for Embedded Devices [44.602566101469726]
  HDC-Xは低消費電力デバイス向けに設計された軽量な分類フレームワークである。 心臓の音の分類では、HDC-Xはベイジアン・レスネットよりもエネルギー効率が高く、精度は1%以下である。
  論文  参考訳（メタデータ） (2025-09-18T04:46:16Z)
• Computer-Aided Fall Recognition Using a Three-Stream Spatial-Temporal GCN Model with Adaptive Feature Aggregation [0.5235143203977018]
  転倒予防は現代医療において特に高齢者にとって最重要である。 高齢者の生活を救うためには,コンピュータ支援による転倒検知システムが不可欠である。 本稿では,3流時空間特徴量に基づく転倒検出システムを提案する。
  論文  参考訳（メタデータ） (2024-08-22T08:40:04Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Semi-Supervised Health Index Monitoring with Feature Generation and Fusion [7.387226437589184]
  健康指数(HI)は、システムの健康を評価するために重要であり、異常検出や安全クリティカルシステムに対する有用寿命(RUL)の予測といったタスクに重要である。 本研究では,Deep Semi-supervised Anomaly Detection (DeepSAD) を組み込んで,システムの健康状態に関連する特徴の抽出に挑戦する。 また, 等方性制約を持つ交互投影アルゴリズムを適用し, 埋め込みを正規化HIに変換する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-05T16:27:51Z)
• AIOSA: An approach to the automatic identification of obstructive sleep apnea events based on deep learning [1.5381930379183162]
  OSASは、死亡率の上昇、神経障害の悪化、リハビリテーション後の機能低下、高血圧の発症率の上昇と関連している。 OSAS診断のための金標準検査はPSG (Polysomnography) である。 生波形データの時間分解能を低減できる畳み込み型ディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-10T11:21:47Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Exploration of Hyperdimensional Computing Strategies for Enhanced Learning on Epileptic Seizure Detection [4.538319875483978]
  てんかん発作の監視と予測は、患者の生活の質を著しく向上させる可能性がある。 標準HDコンピューティングは、他の最先端アルゴリズムのレベルでは機能していない。 本稿では,異なる学習戦略を実装し,その性能を個別に評価する。
  論文  参考訳（メタデータ） (2022-01-24T15:48:33Z)
• 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)

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。