論文の概要: Personalized and Context-Aware Transformer Models for Predicting Post-Intervention Physiological Responses from Wearable Sensor Data
- arxiv url: http://arxiv.org/abs/2604.14738v1
- Date: Thu, 16 Apr 2026 07:52:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.790339
- Title: Personalized and Context-Aware Transformer Models for Predicting Post-Intervention Physiological Responses from Wearable Sensor Data
- Title（参考訳）: ウェアラブルセンサデータからの干渉後生理応答予測のためのパーソナライズド・コンテクスト対応トランスフォーマモデル
- Authors: Esther Brown, Victoria Dean, Finale Doshi-Velez,
- Abstract要約: 本稿では, 干渉後の軌跡を予測し, 生理的指標の変化の方向を時間窓越しに予測する枠組みを提案する。
この概念の証明は、パーソナライズされた事後予測が実現可能であることを示している。
ストレス管理ツールへの将来的な統合を奨励し、各人の日に合わせてパーソナライズされた介入レコメンデーションを推奨する。
- 参考スコア（独自算出の注目度）: 13.783618439759842
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Consumer wearables enable continuous measurement of physiological data related to stress and recovery, but turning these streams into actionable, personalized stress-management recommendations remains a challenge. In practice, users often do not know how a given intervention, defined as an activity intended to reduce stress, will affect heart rate (HR), heart rate variability (HRV), or inter-beat intervals (BBI) over the next 15 to 120 minutes. We present a framework that predicts post-intervention trajectories and the direction of change for these physiological indicators across time windows. Our methodology combines a Transformer model for multi-horizon trajectories of percent change relative to a pre-intervention baseline, direction-of-change calls (positive, negative, or neutral) at each horizon, and an empirical study using wearable sensor data overlaid with user-tagged events and interventions. This proof of concept shows that personalized post-intervention prediction is feasible. We encourage future integration into stress-management tools for personalized intervention recommendations tailored to each person's day following further validation in larger studies and, where applicable, appropriate regulatory review.
- Abstract（参考訳）: 消費者ウェアラブルは、ストレスと回復に関連する生理的データを継続的に測定できるが、これらのストリームを行動可能でパーソナライズされたストレス管理レコメンデーションに変えることは、依然として課題である。
実際には、ストレスを減らすために定義された活動として定義された介入が、今後15分から120分間の心拍数、心拍変動(HRV)、心拍間間隔(BBI)にどのように影響するかがわからないことが多い。
本稿では, インターベンション後の軌跡を予測し, 生理的指標の変化の方向を時間窓越しに予測する枠組みを提案する。
提案手法は,各地平線における事前介入ベースライン,方向転換コール(正,負,中性)に対する変化率の変換器モデルと,ユーザがタグ付けしたイベントや介入をオーバーレイしたウェアラブルセンサデータを用いた実証的研究を組み合わせたものである。
この概念の証明は、パーソナライズされた事後予測が実現可能であることを示している。
我々は、大規模研究におけるさらなる検証と適切な規制審査を経て、各個人の日々に合わせて調整されたパーソナライズされた介入勧告のためのストレス管理ツールへの今後の統合を奨励する。
関連論文リスト
- Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。
特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。
そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-27T02:27:10Z) - Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data [1.7396556690675233]
本稿では,ウェアラブルデータからパーソナライズされた対物モデルを学ぶためのフレームワークを提案する。
我々はまず,マルチモーダル類似性分析を用いて,類似患者のデータを用いて個々のデータセットを拡大する。
次に、時間的PC(Peter-Clark)アルゴリズムを用いて予測関係を探索する。
グラディエントブースティングマシンは、個々の特殊効果を定量化するためにこれらの関係に基づいて訓練されている。
論文 参考訳（メタデータ） (2025-08-20T05:04:17Z) - From Biometrics to Environmental Control: AI-Enhanced Digital Twins for Personalized Health Interventions in Healing Landscapes [5.381203326687129]
本稿では,生体信号,特に心電図(ECG)データを温度,湿度,換気などの環境パラメータと統合したAI強化デジタルツインフレームワークを提案する。
システムは、物理環境の応答性のある仮想レプリカを構築するために、連続的にマルチモーダルデータストリームを取得し、同期し、前処理する。
論文 参考訳（メタデータ） (2025-05-04T21:58:18Z) - 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) - Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。
シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。
提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文 参考訳（メタデータ） (2024-12-23T13:05:17Z) - PITN: Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。
具体的には,まず物理インフォームドニューラルネットワーク(PINN)を時間ブロックで拡張し,BP力学の多周期性について検討する。
次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-08-16T02:17:21Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - An Adaptive System for Wearable Devices to Detect Stress Using Physiological Signals [6.025332045004531]
本稿では PPG と EDA 信号を用いたパーソナライズされたストレス検出のための適応フレームワークを提案する。
一般化されたモデルに依存する従来の手法とは異なり、このフレームワークは各ユーザにより高いストレス検出精度のパーソナライズされたモデルを提供することを目的としている。
論文 参考訳（メタデータ） (2024-07-21T19:52:44Z) - Stressor Type Matters! -- Exploring Factors Influencing Cross-Dataset Generalizability of Physiological Stress Detection [5.304745246313982]
本研究では,2次応力検出のためのHRV機能に基づいて学習した機械学習モデルの一般化可能性について検討する。
以上の結果から,モデル一般化可能性に重要な因子であるストレスタイプが示唆された。
我々は、新しい環境にHRVベースのストレスモデルを展開する際に、ストレスタイプをマッチングすることを推奨する。
論文 参考訳（メタデータ） (2024-05-06T14:47:48Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳（メタデータ） (2020-07-13T20:05:19Z)
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。