論文の概要: Uncertainty Reliability Under Domain Shift: An Investigation for Data-Driven Blood Pressure Estimation in Photoplethysmography

• arxiv url: http://arxiv.org/abs/2605.18008v1
• Date: Mon, 18 May 2026 08:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.0976
• Title: Uncertainty Reliability Under Domain Shift: An Investigation for Data-Driven Blood Pressure Estimation in Photoplethysmography
• Title（参考訳）: ドメインシフトによる不確かさの信頼性:フォトプレソグラフィーにおけるデータ駆動型血圧推定法の検討
• Authors: Mohammad Moulaeifard, Ciaran Bench, Philip J. Aston, Nils Strodthoff,
• Abstract要約: 不確実性定量化(UQ)は、医療のような安全クリティカルな領域にとって重要である。 深層学習による血圧推定における予測性能と不確実性の評価を行った。
• 参考スコア（独自算出の注目度）: 1.754601690579558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification (UQ) is critical for safety-critical domains like healthcare, yet it is rarely evaluated under realistic out-of-distribution (OOD) conditions. Here, we assessed predictive performance and uncertainty reliability for deep learning-based blood pressure (BP) estimation from photoplethysmography (PPG) signals under both in-distribution (ID) and OOD settings. Using an XResNet1D-50 trained on PulseDB and tested on four external datasets, we compared deep ensembles (DE) and Monte Carlo dropout (MCD) with Gaussian negative log-likelihood (GNLL) and mean squared error (MSE) losses, optionally followed by post-hoc recalibration via conformal prediction (CP), temperature scaling (TS), and isotonic regression (IR). The key findings of our study are as follows: (1) DE provides stronger predictive robustness under domain shift than MCD, an advantage that becomes clear primarily under external shift. (2) Recalibrated GNLL-based methods yield the best uncertainty calibration (e.g., GNLL+DE+CP for systolic blood pressure (SBP), GNLL+DE+TS for diastolic blood pressure (DBP)), while MSE-based uncertainty requires recalibration to become practically useful. (3) Across settings, CP and TS offer the most consistent gains, with IR remaining competitive in several cases. Overall, our results identify DE-based methods as most robust for predictive performance under domain shift, GNLL as strongest for native UQ, and recalibration as essential for making MSE-based uncertainty practical. These findings highlight the need to jointly assess predictive accuracy and calibration on external data for trustworthy cuffless BP estimation
• Abstract（参考訳）: 不確実性定量化(UQ)は、医療のような安全クリティカルな領域において重要であるが、現実的なアウト・オブ・ディストリビューション(OOD)条件下で評価されることは滅多にない。 In-distribution (ID) と OOD (OOD) の両設定の下で, 深層学習型血圧(BP)推定における予測性能と不確実性の評価を行った。 我々はPulseDBでトレーニングしたXResNet1D-50を4つの外部データセットでテストし、深いアンサンブル(DE)とモンテカルロのドロップアウト(MCD)をガウス陰性対数類似度(GNLL)と平均二乗誤差(MSE)の損失と比較した。 本研究の主な成果は次の通りである: 1) DEは、MCDよりもドメインシフト下で強い予測ロバスト性を提供するが、これは主に外部シフト下で明らかになる。 2) 再校正したGNLL法では, 収縮血圧 (SBP), GNLL+DE+TS (DBP) が有効であり, MSE法では再校正が必要である。 (3)設定全体において、CPとTSは最も一貫した利得を提供し、IRはいくつかのケースで競争力を維持している。 以上の結果から,本手法はドメインシフト下での予測性能,GNLLはネイティブUQにおいて最強,再校正はMSEに基づく不確実性を実現する上で不可欠であると考えられた。 これらの結果は、信頼に値するカフレスBP推定のための外部データの予測精度と校正を共同で評価する必要性を浮き彫りにした。

関連論文リスト

• Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals [32.233133404873016]
  本稿では,不確実性評価(Restruction Uncertainty Estimate, RUE)からPIを導出する2つの手法を提案する。 これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。
  論文  参考訳（メタデータ） (2025-09-01T10:03:26Z)
• RF-BayesPhysNet: A Bayesian rPPG Uncertainty Estimation Method for Complex Scenarios [5.349703489635052]
  リモート光合成技術は、カメラを用いて顔の皮膚の微妙な色変化を捉え、心拍数を推定する。 測定精度は複雑なシナリオで著しく低下します ディープラーニングモデルは、しばしば測定の不確実性を無視し、ダイナミックなシーンにおける信頼性を制限する。
  論文  参考訳（メタデータ） (2025-04-04T20:24:57Z)
• 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)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing [5.255373360156652]
  本稿では,最近リリースされた生理学データベースMIMIC-IV上に構築されたトランスフォーマーベースのアーキテクチャであるTransfoRhythmフレームワークを紹介する。 本研究は,カフレスBP推定にMIMIC IVデータセットを適用した最初の研究である。
  論文  参考訳（メタデータ） (2024-04-15T00:36:33Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。