論文の概要: Memory-Efficient EDA Denoising via Knowledge Distillation for Wearable IoT Under Severe Motion Artifacts and Underwater Conditions

• arxiv url: http://arxiv.org/abs/2605.05246v1
• Date: Mon, 04 May 2026 18:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.308058
• Title: Memory-Efficient EDA Denoising via Knowledge Distillation for Wearable IoT Under Severe Motion Artifacts and Underwater Conditions
• Title（参考訳）: 高度運動人工物および水中環境下でのウェアラブルIoTの知識蒸留による記憶効率の高いEDAデノナイズ
• Authors: Yongbin Lee, Andrew Peitzsch, Youngsun Kong, Jarod Zizza, Dong-hee Kang, Farnoush Baghestani, Ki H. Chon,
• Abstract要約: エレクトロミカル・アクティビティ(EDA)は、継続的な健康モニタリングのためのウェアラブル・インターネット・オブ・メディカル・モノ(IoMT)システムで広く利用されている。 EDA信号はモーションアーティファクトや環境騒音に対して非常に脆弱であり、水中などの厳しい操作条件下での信頼性の高い展開を制限している。 本研究では、複数の計測場所と厳しい環境をまたいで一般化する、堅牢でデプロイ可能なEDAデノベーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.31573572084301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrodermal activity (EDA) is widely used in wearable Internet of Medical Things (IoMT) systems for continuous health monitoring, including autonomic assessment. However, EDA signals are highly vulnerable to motion artifacts and environmental noise, limiting reliable deployment in harsh operating conditions such as underwater. This study proposes a robust, deployable EDA denoising framework that generalizes across multiple measurement locations and harsh environments. The framework integrates a hybrid CNN-Transformer teacher model with a lightweight depth-wise separable CNN student model via a knowledge distillation (KD) strategy. To further improve robustness, a realistic data augmentation scheme is introduced to simulate diverse motion artifacts and environmental distortions. The KD-based student model significantly reduces model size (7.87 MB to 0.51 MB) and computational cost (105.1M to 11.61M FLOPs) while maintaining denoising performance (MAE: 0.144, SNR improvement: 12.08 dB) using the public dataset validation. In real-world underwater conditions (UMAC dataset) testing, the proposed method substantially improves skin conductance response reconstruction, reducing mean absolute error from 2.809 to 0.215. Furthermore, on independent testing using the CNS-OT dataset, the denoised signals enhanced downstream CNS-OT prediction performance, achieving the highest AUROC (0.806) compared to prior denoising methods. The proposed method also improved the early prediction rate (sensitivity) from 0.550 to 0.767, enabling CNS-OT prediction up to a median of 6.9 minutes before symptom onset. These results demonstrate that the proposed framework not only improves EDA signal quality but also enhances clinically relevant prediction performance while remaining suitable for deployment in resource-constrained wearable Internet of Things systems operating in harsh environments.
• Abstract（参考訳）: エレクトロミカル・アクティビティ(EDA)は、自律神経評価を含む継続的な健康モニタリングのためのウェアラブル・インターネット・オブ・メディカル・モノ(IoMT)システムで広く利用されている。 しかし、EDA信号は運動人工物や環境騒音に対して非常に脆弱であり、水中などの厳しい操作条件下での信頼性の高い展開を制限している。 本研究では、複数の計測場所と厳しい環境をまたいで一般化する、堅牢でデプロイ可能なEDAデノベーションフレームワークを提案する。 このフレームワークは、知識蒸留(KD)戦略を介して、ハイブリッドCNN-Transformer教師モデルと、軽量な深度分離可能なCNN学生モデルを統合する。 さらにロバスト性を向上させるため、多様な動きアーチファクトと環境歪みをシミュレートする現実的なデータ拡張スキームが導入された。 KDベースの学生モデルは、モデルサイズ(7.87 MBから0.51 MB)と計算コスト(105.1Mから11.61M FLOPs)を著しく削減し、パブリックデータセット検証(MAE:0.144、SNRの改善:12.08 dB)を継続する。 実世界の水中条件(UMACデータセット)テストにおいて,提案手法は皮膚のコンダクタンス応答の再現性を著しく改善し,平均絶対誤差を2.809から0.215に低減する。 さらに, CNS-OTデータセットを用いた独立試験では, CNS-OT予測性能が向上し, AUROC (0.806) を達成した。 提案手法はまた、早期予測率(感度)を0.550から0.767に改善し、症状発症の6.9分前までCNS-OT予測を可能にする。 これらの結果から,提案フレームワークはEDA信号の品質を向上するだけでなく,厳しい環境下で動作しているリソース制約のウェアラブルIoTシステムへの展開に適合しながら,臨床的に関連性のある予測性能を向上させることが示唆された。

関連論文リスト

• Adaptive Enhancement and Dual-Pooling Sequential Attention for Lightweight Underwater Object Detection with YOLOv10 [0.0]
  この原稿では、YOLOv10アーキテクチャを基盤として、水中オブジェクト検出のための合理化されながら堅牢なフレームワークを紹介している。 提案手法は,画像品質向上のためのマルチステージ適応拡張モジュールと,マルチスケール特徴表現を強化するためのデュアルプールシーケンスアテンション機構を統合した。
  論文  参考訳（メタデータ） (2026-03-04T07:39:57Z)
• A Noise Resilient Approach for Robust Hurst Exponent Estimation [0.0]
  鍵となる性質は自己相似性であり、ハースト(H)によって定量化される ウェーブレットに基づく手法は、マルチスケール解析能力によりHの推定に有効であるが、実世界の測定における付加雑音は、しばしば精度を低下させる。 本稿では、雑音緩和を取り入れ、信号エネルギー対から複数レベルの推定値を生成するノイズ制御型ALPHEEを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:54:23Z)
• Evaluating Temperature Scaling Calibration Effectiveness for CNNs under Varying Noise Levels in Brain Tumour Detection [0.18472148461613158]
  我々は、カスタムCNNを開発し、それを統合された脳MRIデータセットでトレーニングする。 実世界の不確実性をシミュレートするために,ガウス,ポアソン,ソルト&ペッパー,スペックル,ユニフォームの5種類の画像ノイズが導入された。 その結果、TSは分類精度を低下させることなく、全ての雑音条件下でECEとNLLを著しく低下させることが示された。
  論文  参考訳（メタデータ） (2025-09-29T15:46:23Z)
• NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
  直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。 構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。 Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-17T17:59:00Z)
• EPSILON: Adaptive Fault Mitigation in Approximate Deep Neural Network using Statistical Signatures [0.0]
  我々は、ディープニューラルネットワークアクセラレータ(AxDNN)における効率的な障害検出と緩和のための軽量フレームワークであるEPSILONを紹介する。 本フレームワークでは,非パラメトリックなパターンマッチングアルゴリズムを導入し,通常の実行を中断することなく一定時間故障検出を実現する。 EPSILONは、重量分布と層臨界度の統計解析に基づいて緩和戦略をインテリジェントに調整することで、モデルの精度を維持する。
  論文  参考訳（メタデータ） (2025-04-24T20:37:37Z)
• RNN-Based Models for Predicting Seizure Onset in Epileptic Patients [0.0]
  既存のシステムの精度と誤報率は、静しきい値と基本的な脳波特性に依存しているため、しばしば妥協される。 本稿では,これらの制約を克服するため,新しいリカレントニューラルネットワーク(RNN)を用いた発作発生予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T08:05:01Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• Guided Diffusion Model for Adversarial Purification [103.4596751105955]
  敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。 本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。 様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
  論文  参考訳（メタデータ） (2022-05-30T10:11:15Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

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。