論文の概要: Peak-Detector: Explainable Peak Detection via Instruction-Tuned Large Language Models in Physiological Sign
- arxiv url: http://arxiv.org/abs/2605.16452v1
- Date: Fri, 15 May 2026 04:08:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.412538
- Title: Peak-Detector: Explainable Peak Detection via Instruction-Tuned Large Language Models in Physiological Sign
- Title（参考訳）: Peak-Detector: インストラクション付き大規模言語モデルによる生理学的サインによる説明可能なピーク検出
- Authors: Jiahui Li, Yida Zhang, Zixuan Zeng, Jiayu Chen, Yingjian Song, Yin Xiao, Nishan Dong, Junjie Lu, Younghoon Kwon, Xiang Zhang, Jin Lu, Wenzhan Song, Fei Dou,
- Abstract要約: Peak-Detectorは、堅牢でクロスモーダルで説明可能なピーク検出のための新しいフレームワークである。
中心となるイノベーションは、時系列データを凝縮形式に変換する"ピークモード"技術である。
Peak-Detectorは、4つのモードにわたる強力なクロス表現性能を示す。
- 参考スコア（独自算出の注目度）: 11.440086398117318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate peak detection across diverse cardiac physiological signals, including the Electrocardiogram (ECG), Photoplethysmogram (PPG), Ballistocardiogram (BCG), and Bodyseismography (BSG), is fundamental for cardiovascular monitoring but is often hindered by artifacts and signal variability. Conventional algorithms are typically engineered with expert knowledge for a single signal modality, limiting their generalizability. Conversely, deep learning-based methods often lack interpretability, limiting transparency for expert verification and hindering expert-computer interaction. To address these limitations, we introduce Peak-Detector, a novel framework that leverages instruction-tuned Large Language Models (LLMs) for robust, cross-modal, and explainable peak detection. A core innovation of our framework is a "peak-representation" technique that transforms time-series data into a condensed format, preserving critical event information while significantly reducing signal length. This representation provides a crucial inductive bias, guiding the LLM to reason over physiologically meaningful events rather than raw, noisy data. The model is optimized through a two-stage process: supervised fine-tuning (SFT) followed by reinforcement learning (RL) with a multi-objective reward function. The model's self-explanation capabilities are cultivated by fine-tuning on a custom-built Peak-Explanation dataset. Across four modalities-ECG, PPG, BCG, and BSG-spanning seven datasets (six public benchmarks plus one real-world cohort), Peak-Detector demonstrates strong cross-modal performance, achieving best or tied-best detection under clinically relevant temporal tolerance. Beyond accuracy, the generated rationales surface failure modes and support verification and error analysis.
- Abstract（参考訳）: 心電図(ECG)、光胸腺図(PPG)、Ballistocardiogram(BCG)、Bodyseismography(BSG)などの様々な心生理学的信号の正確なピーク検出は、心血管モニタリングの基礎であるが、アーティファクトや信号の変動によってしばしば妨げられる。
従来のアルゴリズムは通常、単一の信号モダリティに関する専門家の知識で設計され、一般化性を制限する。
逆に、ディープラーニングベースの手法は、解釈可能性に欠けることが多く、専門家の検証に透明性を制限し、専門家とコンピュータの相互作用を妨げる。
これらの制限に対処するために,命令調整型大規模言語モデル(LLM)を利用した,堅牢でクロスモーダルで説明可能なピーク検出のための新しいフレームワークであるPeak-Detectorを紹介した。
我々のフレームワークの中核となる革新は、時系列データを凝縮形式に変換し、重要な事象情報を保存し、信号長を大幅に削減する「ピーク表現」技術である。
この表現は重要な帰納的バイアスを与え、LLMは生のノイズの多いデータではなく、生理学的に意味のある出来事を推論するよう誘導する。
モデルは2段階のプロセスにより最適化される: 教師付き微調整(SFT)と、多目的報酬関数を持つ強化学習(RL)。
このモデルの自己説明機能は、カスタムビルドされたPeak-Explanationデータセットを微調整することで実現されている。
ECG, PPG, BCG, BSGの7つのデータセット(6つの公開ベンチマークと1つの実世界のコホート)にまたがって、Peak-Detectorは、臨床的に関連する時間的寛容の下で最良の、または結びついたベストな検出を達成し、強力なクロスモーダル性能を示す。
精度を超えて、生成された合理性はサーフェス障害モードをサポートし、検証とエラー解析をサポートする。
関連論文リスト
- Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。
ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。
実験により,提案手法が最先端検出性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-20T09:24:28Z) - How Much Data is Enough? The Zeta Law of Discoverability in Biomedical Data, featuring the enigmatic Riemann zeta function [1.560394526607184]
本稿では,データ共分散演算子のスペクトル構造,タスク整列信号投影,学習表現に基づくクロスモーダル発見可能性のためのスケーリング法フレームワークを提案する。
このフレームワークは、より単純なモデルが小さなサンプルサイズで最大限に機能するクロスオーバーキャパシティを予測し、十分なデータが追加の自由度を安定化すれば、高あるいはマルチモーダルエンコーダはそれらを上回る性能を発揮する。
論文 参考訳（メタデータ） (2026-04-19T19:08:53Z) - NeuroTrace: Inference Provenance-Based Detection of Adversarial Examples [1.096626056612224]
Inference Provenance Graphs (IPGs) を用いた推論前駆体分析フレームワークであるNeuroTraceを紹介する。
IPGは、モデルの前方通過中にアクティベーション動作とパラメータ誘起データフローの両方をキャプチャする異種グラフである。
攻撃中, マルチアタック, クロススリート転送設定下での逆例検出のためのIPGベース検出器の評価を行った。
論文 参考訳（メタデータ） (2026-04-15T22:23:40Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。
局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。
例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文 参考訳（メタデータ） (2026-01-12T08:37:47Z) - Rethinking Cross-Generator Image Forgery Detection through DINOv3 [62.80415066351157]
クロスジェネレータ検出は、新しい挑戦フォージェネレータモデルとして登場した。
凍結した視覚基盤モデル、特にDINOv3は、既に強力なクロスジェネレータ検出能力を持っていることを示す。
トレーニング不要なトークンランク戦略を導入し、続いて軽量な線形プローブを用いて、認証関連トークンの小さなサブセットを選択する。
論文 参考訳（メタデータ） (2025-11-27T14:01:50Z) - Unsupervised Identification and Replay-based Detection (UIRD) for New Category Anomaly Detection in ECG Signal [15.399692698838374]
臨床では心電図(ECG)の自動解析が、不規則な心臓リズムやその他の心臓の電気的異常の同定に広く応用されている。
ある種のECG信号のサンプルが限られているため、クラス不均衡の問題がECGに基づく検出の課題となっている。
疑似再生に基づく半教師付き連続学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-01T14:32:03Z) - Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。
現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。
本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
論文 参考訳（メタデータ） (2025-06-15T08:19:32Z) - Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。
本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
論文 参考訳（メタデータ） (2025-04-14T10:06:27Z) - CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳（メタデータ） (2024-12-13T16:27:54Z)
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。