論文の概要: WavesFM: Hierarchical Representation Learning for Longitudinal Wearable Sensor Waveforms

• arxiv url: http://arxiv.org/abs/2605.09173v1
• Date: Sat, 09 May 2026 21:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.099819
• Title: WavesFM: Hierarchical Representation Learning for Longitudinal Wearable Sensor Waveforms
• Title（参考訳）: WavesFM: 縦型ウェアラブルセンサ波形の階層的表現学習
• Abstract要約: 本稿では,2段階のSSLフレームワークを縦型生理データに適用した基礎モデルWavesFMを提案する。 具体的には、学習問題を2つの段階に分解する: まず、セグメントレベルのエンコーダを事前訓練して、短い波形から局所的な埋め込みを抽出する。 この階層的なアプローチは、高解像度の長いシーケンスデータの計算複雑性を克服し、局所的な信号意味論と複雑な概日変動と、生理力学を規定する日内変動の両方を全体モデルで捉えることができる。
• 参考スコア（独自算出の注目度）: 30.599420483017227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable sensors enable the continuous acquisition of high-resolution physiological waveforms, such as photoplethysmography and accelerometry, under free-living conditions. However, inferring health-related phenotypes from these signals presents significant challenges due to high sampling frequencies, multimodal dependencies, and extreme sequence lengths (e.g., weeks of recordings), compounded by a scarcity of ground-truth labels. To address these challenges, existing self-supervised learning (SSL) methodologies typically follow two paradigms: (1) learning rich morphological representations from short waveform segments while collapsing longitudinal dynamics through simple aggregation, or (2) modeling behavioral patterns from coarse, hand-crafted features (e.g. heart rate, step counts) spanning longer horizons but foregoing subtle, predictive signatures in raw waveforms. To bridge this gap, we propose WavesFM, a foundation model utilizing a two-stage SSL framework for longitudinal physiological data. Specifically, we decompose the learning problem into two stages: first, a segment-level encoder is pretrained to extract local embeddings from short waveforms; subsequently, a temporal encoder is trained to model the sequence of these embeddings across a multi-day horizon. This hierarchical approach overcomes the computational complexity of high-resolution, long-sequence data, allowing the overall model to capture both local signal semantics and the complex circadian and inter-day variations governing physiological dynamics. Pretrained on over 6.8M hours (N=324k individuals) of recordings for the first stage and 5.3M hours (N=10k) for the second stage, WavesFM demonstrates superior performance across 58 diverse tasks spanning demographics, lifestyle, health conditions, and medications.
• Abstract（参考訳）: ウェアラブルセンサーは、光胸腺撮影や加速度計などの高分解能な生理波形を自由な条件下で連続的に取得することを可能にする。 しかし,これらの信号から健康関連表現型を推定することは,高サンプリング頻度,多モード依存性,極端配列の長さ(例えば,数週間の録音など)に起因して重要な課題を呈する。 これらの課題に対処するために、既存の自己監督学習(SSL)手法は、(1)単純な集約を通して縦方向のダイナミクスを崩壊させながら、短い波形セグメントから豊かな形態表現を学ぶこと、(2)より長い地平線にまたがる粗い手作りの特徴(例えば、心拍数、歩数)から振舞いパターンをモデル化すること、そして、生波形における微妙で予測的なシグネチャを予見することである。 このギャップを埋めるため、縦型生理データのための2段階SSLフレームワークであるWavesFMを提案する。 具体的には、学習問題を2つの段階に分解する: まず、セグメントレベルのエンコーダを事前訓練して、短い波形から局所的な埋め込みを抽出し、その後、時間的エンコーダを訓練して、これらの埋め込みのシーケンスを複数日の水平方向にモデル化する。 この階層的なアプローチは、高解像度の長いシーケンスデータの計算複雑性を克服し、局所的な信号意味論と複雑な概日変動と、生理力学を規定する日内変動の両方を全体モデルで捉えることができる。 1段目は6.8万時間(N=324k個体)、2段目は5.3万時間(N=10k個体)以上、ウェーブズFMは人口動態、生活習慣、健康状態、薬物などを含む58種類のタスクで優れたパフォーマンスを示す。

関連論文リスト

• Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins [0.0]
  Time Synthは、健康信号デジタル双生児のための制御されたベンチマークフレームワークである。 これは、実際の脳波、心電図、光胸波信号に適合するパラメトリックモデルから、解析的に知られた地動特性を持つ信号を生成する。 Time Synthは、モデルが患者データに結合される前に、制御された前臨床ストレステストが欠如しているのに対して、再利用可能なジェネレータとフィデリティ対応開発のための診断装置を提供する。
  論文  参考訳（メタデータ） (2026-07-01T04:42:58Z)
• SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models [30.242008207142575]
  本研究では,コントラスト学習と構造化状態空間モデル上に構築された調整エンコーダを組み合わせた自己教師型学習フレームワークSL-S4Waveを提案する。 SL-S4Waveは、挑戦的な不整脈検出タスクにおいて、最先端の教師付きベースラインと自己教師付きベースラインを一貫して上回る。 また,複数の脳波タスクにおけるSL-S4Waveの評価を行い,強いベースラインよりも優れた性能を実現し,心臓波形を超えたアプローチの一般化性を実証した。
  論文  参考訳（メタデータ） (2026-06-18T07:46:34Z)
• MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
  状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-24T09:23:39Z)
• TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model [0.338424069286569]
  TimeLesSegは、その入力に時間次元の有無にかかわらずMS病変を分断するように設計されたコントラストに依存しない統合フレームワークである。 本手法は, 病変マスクと現在のスキャンを併用した病理組織学的先行をモデル化する。 クロスセクション処理は、事前情報が得られないトレーニングケースにモデルを公開することによって実現される。
  論文  参考訳（メタデータ） (2026-05-08T16:19:34Z)
• FreqPhys: Repurposing Implicit Physiological Frequency Prior for Robust Remote Photoplethysmography [54.32412212867472]
  Photoplethysmographyは、ビデオから肌の色の変化を微妙に捉え、接触のない生理的モニタリングを可能にする。 FreqPhysは、シグナル回復のために生理的頻度事前を明示的に活用する周波数誘導リレーションフレームワークである。 これは、特に挑戦的な運動条件下で、最先端のアプローチよりも大幅に改善される。
  論文  参考訳（メタデータ） (2026-04-01T06:25:42Z)
• PhysNeXt: Next-Generation Dual-Branch Structured Attention Fusion Network for Remote Photoplethysmography Measurement [50.524262997433546]
  ハーモグラフィーは、心臓の脈動によって引き起こされる顔の皮膚の色変化を分析し、心拍数やその他の重要な兆候を測定することができる。 現在の手法は主に生のビデオからエンド・ツー・エンドのモデリング、または微妙な心拍マップ(ST)表現に基づいている。 本稿では,ビデオフレームとST表現を併用したデュアルインプットディープラーニングフレームワークであるPhysMapXtを提案する。
  論文  参考訳（メタデータ） (2026-03-20T08:37:02Z)
• SpecMoE: Spectral Mixture-of-Experts Foundation Model for Cross-Species EEG Decoding [0.0]
  SpecMoEは、学習されたスペクトルゲーティングメカニズムによってガイドされるエキスパートフレームワークの混合である。 睡眠ステージング、感情認識、運動像分類、異常信号検出、薬物効果予測など、さまざまな脳波デコーディングタスクのセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-17T16:20:14Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• PhysioWave: A Multi-Scale Wavelet-Transformer for Physiological Signal Representation [14.124553708665117]
  生理学的信号解析のためのウェーブレットに基づく新しいアプローチを提案する。 EMGとECGに特有の2つの大規模事前訓練モデルが初めて導入された。 統合マルチモーダルフレームワークは、事前訓練された脳波モデルを統合することで構築される。
  論文  参考訳（メタデータ） (2025-06-12T05:11:41Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG signals [4.748221780751802]
  ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。 臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。 脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
  論文  参考訳（メタデータ） (2020-12-22T11:10:23Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。