論文の概要: Leveraging Imperfect Medical Data: A Manifold-Consistent Spatio-Temporal Network for Sensor-based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2605.00913v1
• Date: Wed, 29 Apr 2026 10:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.477474
• Title: Leveraging Imperfect Medical Data: A Manifold-Consistent Spatio-Temporal Network for Sensor-based Human Activity Recognition
• Title（参考訳）: 不完全な医療データを活用する:センサによる人的活動認識のためのマニフォールド一貫性の時空間ネットワーク
• Authors: Jiangtao Fan, Anish Jindal, Amir Atapour-Abarghouei,
• Abstract要約: 実世界のウェアラブルセンシングのシナリオでは、IoMT信号は、計測の欠如、センサーの故障、環境騒音によってしばしば破損する。 不完全な検知条件下での堅牢なHARのためのマニフォールド一貫性時空間ネットワーク(MCSTN)を提案する。 提案したMCSTNは,既存の最先端手法と比較して,競争性能が高いことを示す。
• 参考スコア（独自算出の注目度）: 7.630146071495278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensor-based Human Activity Recognition (HAR) has attracted increasing attention in medical and healthcare monitoring, particularly with the growth of Internet of Medical Things (IoMT). However, in real-world wearable sensing scenarios, IoMT signals are often corrupted by missing measurements, sensor failures, and environmental noise, which significantly degrade the performance of conventional deep learning models that assume clean and complete inputs. To address this challenge, we propose a Manifold-Consistent Spatio-Temporal Network (MCSTN) for robust HAR under imperfect sensing conditions. The proposed framework introduces a dual-level corruption modeling mechanism that simulates realistic sensor imperfections through both physical-level corruption and diffusion-driven continuous corruption. By enforcing representation consistency across multiple corrupted views, the model learns stable and corruption-invariant semantic representations. Furthermore, we design a dual-stream spatio-temporal architecture that explicitly decouples temporal dynamics modeling and spatial correlation learning. The temporal stream captures long-term activity dynamics, while the spatial stream models inter-sensor relationships, enabling more effective spatio-temporal representation learning. Extensive experiments on three widely used HAR benchmark datasets, PAMAP2, Opportunity, and WISDM, demonstrate that the proposed MCSTN achieves competitive performance compared with existing state-of-the-art methods, particularly under imperfect sensing conditions. These results validate the effectiveness and robustness of the proposed framework for real-world wearable IoMT sensing applications.
• Abstract（参考訳）: センサをベースとしたヒューマンアクティビティ認識(HAR)は,特にIoT(Internet of Medical Things, IoMT)の成長に伴い,医療・医療監視において注目を集めている。 しかし、実世界のウェアラブルセンシングのシナリオでは、IoMT信号は、計測の欠如、センサーの故障、環境騒音によって劣化し、クリーンで完全な入力を仮定する従来のディープラーニングモデルの性能が著しく低下する。 この課題に対処するために、不完全な検知条件下での堅牢なHARのためのマニフォールド一貫性時空間ネットワーク(MCSTN)を提案する。 提案フレームワークでは,物理レベルの汚損と拡散駆動型連続汚損の両方を通じて,現実的なセンサ不完全性をシミュレートする,二重レベルの汚損モデリング機構を導入している。 複数の破損したビューをまたいだ表現の一貫性を強制することにより、モデルは安定かつ破壊的不変なセマンティック表現を学ぶ。 さらに、時間的ダイナミクスモデリングと空間相関学習を明確に分離する2重ストリーム時空間アーキテクチャを設計する。 時間的ストリームは長期活動のダイナミクスを捉え、空間的ストリームはセンサー間の関係をモデル化し、より効果的な時空間表現学習を可能にする。 PAMAP2、Opportunity、WISDMの3つの広く使われているHARベンチマークデータセットに対する大規模な実験により、提案したMCSTNは、特に不完全な検知条件下で、既存の最先端手法と比較して競争性能が向上することを示した。 これらの結果は、実世界のウェアラブルIoMTセンシングアプリケーションにおいて提案するフレームワークの有効性とロバスト性を検証した。

関連論文リスト

• Time-Vertex Machine Learning for Optimal Sensor Placement in Temporal Graph Signals: Applications in Structural Health Monitoring [17.858977538517212]
  構造的健康モニタリング(SHM)は、インフラの安全性とレジリエンスを維持する上で重要な役割を担っている。 我々は,解釈可能かつ効率的なセンサ配置を実現するために,TVML(Time-Vertex Machine Learning)を提案する。
  論文  参考訳（メタデータ） (2025-12-22T11:59:47Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
  本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。 センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
  論文  参考訳（メタデータ） (2025-09-14T16:27:58Z)
• Efficient and Robust Multidimensional Attention in Remote Physiological Sensing through Target Signal Constrained Factorization [7.947387272047604]
  マルチモーダルビデオ入力からの光胸腺造影(rRSP)信号と呼吸(rRSP)信号の同時推定を目的とした,効率的なデュアルブランチ3D-CNNアーキテクチャであるMMRPhysを提案する。 TSFMを用いたMMRPhysは、リアルタイムアプリケーションに適した最小の推論レイテンシを維持しつつ、RRSP推定のための領域シフトの一般化において最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-11T15:20:45Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)

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。