論文の概要: Non-Contact Physiological Monitoring in Pediatric Intensive Care Units via Adaptive Masking and Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2602.15967v1
• Date: Tue, 17 Feb 2026 19:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.418446
• Title: Non-Contact Physiological Monitoring in Pediatric Intensive Care Units via Adaptive Masking and Self-Supervised Learning
• Title（参考訳）: 適応型マスキングと自己監督型学習による小児集中治療室の非接触的生理モニタリング
• Authors: Mohamed Khalil Ben Salah, Philippe Jouvet, Rita Noumeir,
• Abstract要約: パルスオキシメータのような接触型センサーは皮膚に刺激を与え、患者を不快にさせる可能性がある。 リモート光度計は、顔の映像を使ってバイタルサインを監視するための、接触のない代替手段を提供する。 PICU設定において、専門家モデルを事前学習するためのプログレッシブカリキュラム戦略を導入する。 我々のフレームワークは、標準的なマスク付きオートエンコーダと比較して平均絶対誤差を減らし、PhysFormerを31%上回っている。
• 参考スコア（独自算出の注目度）: 1.2744523252873352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous monitoring of vital signs in Pediatric Intensive Care Units (PICUs) is essential for early detection of clinical deterioration and effective clinical decision-making. However, contact-based sensors such as pulse oximeters may cause skin irritation, increase infection risk, and lead to patient discomfort. Remote photoplethysmography (rPPG) offers a contactless alternative to monitor heart rate using facial video, but remains underutilized in PICUs due to motion artifacts, occlusions, variable lighting, and domain shifts between laboratory and clinical data. We introduce a self-supervised pretraining framework for rPPG estimation in the PICU setting, based on a progressive curriculum strategy. The approach leverages the VisionMamba architecture and integrates an adaptive masking mechanism, where a lightweight Mamba-based controller assigns spatiotemporal importance scores to guide probabilistic patch sampling. This strategy dynamically increases reconstruction difficulty while preserving physiological relevance. To address the lack of labeled clinical data, we adopt a teacher-student distillation setup. A supervised expert model, trained on public datasets, provides latent physiological guidance to the student. The curriculum progresses through three stages: clean public videos, synthetic occlusion scenarios, and unlabeled videos from 500 pediatric patients. Our framework achieves a 42% reduction in mean absolute error relative to standard masked autoencoders and outperforms PhysFormer by 31%, reaching a final MAE of 3.2 bpm. Without explicit region-of-interest extraction, the model consistently attends to pulse-rich areas and demonstrates robustness under clinical occlusions and noise.
• Abstract（参考訳）: 小児集中治療室(PICUs)におけるバイタルサインの連続モニタリングは,臨床劣化の早期発見と効果的な臨床診断に不可欠である。 しかし、パルスオキシメータのような接触型センサーは皮膚に刺激を与え、感染リスクを増大させ、患者の不快感を引き起こす可能性がある。 RPPG(Remote Photoplethysmography)は、顔画像を用いて心拍数を監視するための非接触型代替手段を提供するが、運動アーチファクト、オクルージョン、可変照明、臨床データ間のドメインシフトにより、PICUでは未使用のままである。 本稿では、プログレッシブカリキュラム戦略に基づいて、PICU設定においてrPPG推定のための自己教師付き事前学習フレームワークを導入する。 このアプローチはVisionMambaアーキテクチャを活用し、軽量のMambaベースのコントローラが時空間重要度スコアを割り当て、確率的パッチサンプリングをガイドする適応マスキング機構を統合する。 この戦略は、生理的関連性を維持しながら、再建の困難を動的に増大させる。 ラベル付き臨床データの欠如に対処するために,教師による蒸留装置を採用した。 教師付き専門家モデルは、公開データセットに基づいて訓練され、学生に潜伏した生理的ガイダンスを提供する。 カリキュラムは、クリーンな公開ビデオ、合成閉塞シナリオ、500人の小児患者による未ラベルのビデオの3段階で進行する。 我々のフレームワークは、標準的なマスク付きオートエンコーダと比較して平均絶対誤差を42%削減し、PhysFormerを31%上回り、最終的なMAEは3.2bpmに達する。 明示的な関心領域抽出がなければ、このモデルはパルスリッチな領域に一貫して参加し、臨床閉塞とノイズの下で堅牢性を示す。

関連論文リスト

• A Non-Invasive 3D Gait Analysis Framework for Quantifying Psychomotor Retardation in Major Depressive Disorder [4.909486568908741]
  単眼のRGB動画を臨床的に関連する3次元歩行運動学に変換する非侵襲的な計算フレームワークを提案する。 このパイプラインは、単一のカメラキャプチャから297個の明示的な歩行生体力学的バイオマーカーを抽出することを可能にする。 本手法は,精神運動遅滞(PMR)の検出において83.3%の精度を実現し,うつ病重症度の64%のばらつきを説明できる。
  論文  参考訳（メタデータ） (2026-01-27T12:07:21Z)
• Estimating Clinical Lab Test Result Trajectories from PPG using Physiological Foundation Model and Patient-Aware State Space Model -- a UNIPHY+ Approach [5.103773025435573]
  Photoplethysmogram (PHY) は、心血管動態を反映する非侵襲的、連続的に記録された集中治療単位(ICU)の信号である。 UNI+Labは,局所波形符号化のための大規模PPG基盤モデルと,長距離時間モデルのための患者対応Mambaモデルを組み合わせたフレームワークである。
  論文  参考訳（メタデータ） (2025-09-19T18:38:06Z)
• End to End Autoencoder MLP Framework for Sepsis Prediction [10.151360630975482]
  セプシス(Sepsis)は、集中治療環境でのタイムリーな検出を必要とする生命の脅威である。 Naive Bayesを含む従来の機械学習アプローチは、不規則で不完全な時系列データに苦戦している。 自動特徴抽出のための教師なしオートエンコーダを統合したエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T05:22:48Z)
• Generalised Label-free Artefact Cleaning for Real-time Medical Pulsatile Time Series [3.8195510803972454]
  アーティファクトは、医療時系列の使用において臨床上の意思決定を損なう。 我々は,リアルタイムなアーティファクト検出のための一般化されたラベルフリーフレームワークGenCleanを紹介する。
  論文  参考訳（メタデータ） (2025-04-29T22:28:06Z)
• Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound [40.97115667616978]
  正確なセグメンテーションのために2D/3Dボックスにのみ依存するFlip Learningと呼ばれる新しい学習ベースのWSSフレームワークを導入する。 ボックスからターゲットを消去して分類タグのフリップを容易にするために複数のエージェントが使用され、消去された領域が予測されたセグメンテーションマスクとして機能する。 提案手法は最先端のWSS手法や基礎モデルより優れており,完全教師付き学習アルゴリズムと同等の性能を発揮する。
  論文  参考訳（メタデータ） (2025-03-26T16:20:02Z)
• 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)
• Adversarial Vessel-Unveiling Semi-Supervised Segmentation for Retinopathy of Prematurity Diagnosis [9.683492465191241]
  広範囲な手動血管アノテーションを必要とせず,ROP研究を進めるための半教師付きセグメンテーションフレームワークを提案する。 ラベル付きデータにのみ依存する従来の手法とは異なり,本手法では不確実性重み付き容器公開モジュールとドメイン対向学習を統合している。 我々は、パブリックデータセットと社内ROPデータセットに対するアプローチを検証し、複数の評価指標で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:40:34Z)
• Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
  本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。 健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。 ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:31Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。