論文の概要: A foundation model for electrodermal activity data

• arxiv url: http://arxiv.org/abs/2603.16878v1
• Date: Fri, 20 Feb 2026 14:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.353931
• Title: A foundation model for electrodermal activity data
• Title（参考訳）: 電磁気活動データの基礎モデル
• Authors: Leonardo Alchieri, Matteo Garzon, Lidia Alecci, Francesco Bombassei De Bona, Martin Gjoreski, Giovanni De Felice, Silvia Santini,
• Abstract要約: EDAMAMEは、24の公開データセットから得られた電磁気的活動トレースの集合体である。 私たちは、EDAのための最初の専用の基盤モデルであるUMEをトレーニングします。 すべてのデータセット、モデルウェイト、コードがリリースされ、さらなる研究をサポートする。
• 参考スコア（独自算出の注目度）: 6.358782613138015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models have recently extended beyond natural language and vision to timeseries domains, including physiological signals. However, progress in electrodermal activity (EDA) modeling is hindered by the absence of large-scale, curated, and openly accessible datasets. EDA reflects sympathetic nervous system activity and is widely used to infer cognitive load, stress, and engagement. Yet very few wearable devices provide continuous, unobtrusive sensing, and the only large-scale archive to date is proprietary. To address this gap, we compile EDAMAME, a collection of EDA traces from 24 public datasets, comprising more than 25,000 hours from 634 users. Using this resource, we train UME, the first dedicated foundation model for EDA. In eight out of ten scenarios, UME outperforms baselines and matches generalist timeseries foundation models while using 20x fewer computational resources. Our findings, however, also highlight the intrinsic challenges of EDA modeling, motivating further research to unlock its full potential. All datasets, model weights, and code are released to support further research.
• Abstract（参考訳）: ファンデーションモデルは、最近、自然言語や視覚を超えて、生理的信号を含むタイムリードメインに拡張されている。 しかし、電磁気活動(EDA)モデリングの進歩は、大規模で、キュレートされ、オープンにアクセス可能なデータセットが存在しないために妨げられている。 EDAは交感神経系の活動を反映し、認知負荷、ストレス、エンゲージメントの推測に広く用いられている。 しかし、連続的かつ邪魔にならない感覚を提供するウェアラブルデバイスはごくわずかであり、これまでで唯一の大規模なアーカイブはプロプライエタリである。 EDAMAMEは、24の公開データセットからのEDAトレースのコレクションで、634ユーザから25,000時間以上を要した。 このリソースを使用して、EDAのための最初の専用の基盤モデルであるUMEをトレーニングします。 10のシナリオのうち8つでは、UMEはベースラインを上回り、20倍少ない計算リソースを使用しながら、ジェネリストの時系列の基礎モデルにマッチする。 しかし、EDAモデリングの本質的な課題も浮き彫りにしており、その可能性を最大限に活用するためのさらなる研究の動機となっている。 すべてのデータセット、モデルウェイト、コードがリリースされ、さらなる研究をサポートする。

関連論文リスト

• REVE: A Foundation Model for EEG -- Adapting to Any Setup with Large-Scale Pretraining on 25,000 Subjects [5.368295573908306]
  REVE(Representation for EEG with Versatile Embeddings)は、様々な脳波信号にまたがる一般化を意図した事前訓練モデルである。 我々は25,000人の被験者にまたがる92のデータセットから6万時間以上の脳波データをプレトレーニングしました。 我々は、標準化された脳波研究を支援し、臨床神経科学の進歩を促進するためのコード、事前訓練された体重、チュートリアルをリリースする。
  論文  参考訳（メタデータ） (2025-10-24T15:52:46Z)
• Large language models surpass domain-specific architectures for antepartum electronic fetal monitoring analysis [3.365708695027943]
  ファンデーションモデル(FM)と大規模言語モデル(LLM)は、時系列解析のために様々な領域にまたがる有望な一般化を実証している。 自動CTG分類のための最先端アーキテクチャの総合ベンチマークを初めて提示する。
  論文  参考訳（メタデータ） (2025-09-09T22:04:33Z)
• Towards Foundation Auto-Encoders for Time-Series Anomaly Detection [2.019925198501543]
  FAEは時系列データにおける異常検出のための基礎生成AIモデルである。 各種ドメインから異なる多次元時系列データセットに予備的な結果を示す。
  論文  参考訳（メタデータ） (2025-07-02T16:39:36Z)
• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• Context Clues: Evaluating Long Context Models for Clinical Prediction Tasks on EHRs [20.08838976147805]
  本稿では,EHRデータモデリングにおける文脈長の影響を初めて体系的に評価する。 より長いコンテキストモデルによって予測性能が向上することがわかった。 しかし, 臨床応用においては, モデル性能だけでは不十分である。
  論文  参考訳（メタデータ） (2024-12-09T21:58:27Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)

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。