論文の概要: Biosignal Fingerprinting: A Cross-Modal PPG-ECG Foundation Model

• arxiv url: http://arxiv.org/abs/2605.09579v1
• Date: Sun, 10 May 2026 14:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.319297
• Title: Biosignal Fingerprinting: A Cross-Modal PPG-ECG Foundation Model
• Title（参考訳）: Biosignal Fingerprinting: クロスモーダルPSG-ECG基盤モデル
• Authors: Zhangdaihong Liu, Chang Liu, Fenglin Liu, Yixuan Chen, Yang Yang, David A. Clifton, Xiao Gu,
• Abstract要約: 生体信号指紋は、患者の心臓血管状態をモダリティに依存しないプライバシー保護形態でコードする。 7つの下流タスク、クロスモーダル再構築、心臓血管疾患分類、高血圧検出、死亡予測、および人口動態予測、生体信号指紋が競争力や優れたパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 30.913143342078612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiovascular disease remains the leading cause of global mortality, yet scalable cardiac monitoring is hindered by the gap between diagnostic-rich ECG and ubiquitous wearable PPG. Bridging this gap requires representations that are compact, transferable across modalities and devices, and deployable without task-specific retraining. Here we introduce biosignal fingerprints: compact latent representations of cardiovascular state derived from a cross-modal foundation model, the Multi-modal Masked Autoencoder (M2AE), trained on over 3.4 million paired ECG and PPG signals. M2AE integrates modality-specific encoders with a shared bottleneck and dual decoders, jointly optimized using reconstruction and cross-modal contrastive objectives, yielding generalizable fingerprints that retain intra- and inter-modality features. Like a biometric fingerprint, these representations uniquely encode an individual's cardiovascular state in a modality-agnostic, privacy-preserving form reusable across clinical tasks without exposing raw waveform data or requiring model retraining. Across 7 downstream tasks, spanning cross-modal reconstruction, cardiovascular disease classification, hypertension detection, mortality prediction, and demographic inference, biosignal fingerprints achieve competitive or superior performance compared to leading domain-specialist foundation models in frozen settings, including an AUROC of 0.974 for five-class CVD classification and 0.877 for hypertension detection, with a maximum improvement of 27.7% in AUROC across 5 classification tasks. Critically, strong performance is maintained with only a single modality, enabling deployment in resource-constrained, single-sensor environments typical of real-world wearable monitoring, with direct implications for continuous cardiovascular monitoring across clinical and consumer health settings.
• Abstract（参考訳）: 心血管疾患は依然として世界的死亡の原因となっているが、拡張性心監視は、診断に富む心電図とユビキタスウェアラブルPSGのギャップによって妨げられている。 このギャップを埋めるには、コンパクトで、モダリティやデバイス間で転送可能で、タスク固有のリトレーニングなしでデプロイ可能な表現が必要です。 本稿では,M2AE (Multi-modal Masked Autoencoder) と呼ばれる,340万組の心電図とPSG信号で訓練された生体指紋について述べる。 M2AEは、モダリティ固有のエンコーダを共有ボトルネックとデュアルデコーダと統合し、再構成とクロスモーダルコントラストの目的を共同で最適化し、モダリティ内およびモダリティ間の特徴を保持する一般化可能な指紋を生成する。 生体認証指紋と同様に、これらの表現は個々の心血管状態を、生の波形データを公開することなく、またはモデルの再トレーニングを必要とせずに、臨床タスクで再利用可能な、モダリティに依存しないプライバシー保護形態で一意にエンコードする。 クロスモーダル再構築、心血管疾患の分類、高血圧検出、死亡予測、人口統計予測を含む7つの下流タスクにまたがって、バイオサインの指紋は、5つのクラスCVD分類のAUROC 0.974、高血圧検出の0.877、および5つの分類タスクのAUROC の最大27.7%の改善を含む、凍った環境でのドメイン・スペシャリストの基礎モデルと比較して、競争力または優れたパフォーマンスを達成する。 批判的に言えば、強いパフォーマンスは単一のモダリティで維持され、現実のウェアラブル監視に典型的なリソース制約のある単一センサー環境へのデプロイを可能にし、臨床および消費者の健康設定全体にわたって連続的な心臓血管モニタリングに直接的な意味を持つ。

関連論文リスト

• Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals [0.8594140167290097]
  本研究では、7つの心拍変動特性(HRV)とともに連続的な心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。 我々は、最大平均離散性(MMD)を含む表現学習技術を用いて、ソースとターゲットドメイン間の特徴分布を整列する。 未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2026-05-05T22:03:48Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
  FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。 はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。 伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-09-10T19:48:07Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• 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)

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。