論文の概要: Modality vs. Morphology: A Framework for Time Series Classification for Biological Signals

• arxiv url: http://arxiv.org/abs/2605.18483v1
• Date: Mon, 18 May 2026 14:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.797126
• Title: Modality vs. Morphology: A Framework for Time Series Classification for Biological Signals
• Title（参考訳）: Modality vs. Morphology:生物信号の時系列分類のためのフレームワーク
• Authors: Jordan Tschida, Matthew Yohe, Edward Kane, Gavin Jager, Emma J. Reid, Tony G. Allen, Mark Story, Leanne Thompson, Joe Hoskins, Brandon Schreiber, Stan Seiferth, Scott Dolvin, David Cornett,
• Abstract要約: 波形構造と方法論的設計を結合する統一型モルフォロジー-モダリティフレームワークについて紹介する。 脳波、筋電図、心電図、光胸腺撮影、眼球運動を解析することにより、形態学がどのように前処理とモデリング戦略を決定するかを実証する。
• 参考スコア（独自算出の注目度）: 0.5523003680149664
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Time series classification (TSC) of biological signals has progressed from handcrafted, modality-specific approaches to deep architectures capable of representing the diverse waveform structures of underlying physiological processes (i.e., morphology). This review introduces a unified morphology--modality framework that connects waveform structure to a methodological design, revealing how spikes, bursts, oscillations, slow drift, and hierarchical rhythms inform model design. By analyzing electroencephalography, electromyography, electrocardiography, photoplethysmography, and ocular modalities (electrooculography, pupillometry, eye-tracking), the review demonstrates how morphology determines preprocessing and modeling strategies. Integrating evidence across these biological signals, the framework reveals that morphology, not model class, most strongly determines performance and interpretability. This provides insight into why deep models succeed when their inductive biases align with underlying waveform dynamics. This review also identifies future work including morphological data augmentation and evaluation metrics to improve generalization. Together, these insights position morphology-aware modeling as a unifying principle for developing generalizable, interpretable, and physiologically meaningful TSC models across biological signals.
• Abstract（参考訳）: 生物学的信号の時系列分類(TSC)は、基礎となる生理的過程(形態学)の様々な波形構造を表現できる、手作りの、モダリティ固有のアプローチから深層建築まで進歩してきた。 このレビューでは、波形構造と方法論的設計を結びつける統一形態・モダリティの枠組みを紹介し、スパイク、バースト、発振、スロードリフト、階層的リズムがモデル設計にどのように影響するかを明らかにする。 脳電図、筋電図、心電図、光胸腺図、眼球運動(眼電図、瞳孔図、眼球追跡)を解析することにより、形態学がどのように前処理とモデリング戦略を決定するかを実証する。 この枠組みは、これらの生物学的信号にまたがって証拠を統合することで、モデルクラスではなく形態学が性能と解釈可能性を最も強く決定することを明らかにする。 このことは、ディープモデルがなぜ誘導バイアスが基礎となる波形力学と一致するときに成功するかについての洞察を与える。 本総説では, モーフィジカルデータ拡張や評価指標などの今後の課題を, 一般化をめざして検討する。 これらの知見が組み合わさって、形態素認識モデリングは、生物学的信号全体にわたって一般化可能、解釈可能、生理学的に意味のあるTSCモデルを開発するための統一原理として位置づけられている。

関連論文リスト

• Towards Spatial Transcriptomics-driven Pathology Foundation Models [32.70436266943553]
  本稿では、局所的な分子情報を病理視覚エンコーダに注入するビジョン・オミクス自己教師型学習フレームワークを提案する。 腫瘍および14臓器の正常サンプルにまたがる70,000対の遺伝子の発現スポット-tissue領域のトレーニングによりSEALをインスタンス化する。 SEALエンコーダは、アウト・オブ・ディストリビューションに堅牢なドメイン一般化を示し、遺伝子対イメージ検索のような新しいクロスモーダル機能を実現する。
  論文  参考訳（メタデータ） (2026-02-15T15:06:45Z)
• MorphGen: Morphology-Guided Representation Learning for Robust Single-Domain Generalization in Histopathological Cancer Classification [7.220226391639059]
  計算病理学における領域一般化は、スライド画像全体の不均一性によって妨げられる。 組織像,拡張,核分割マスクを統合したMorphGenを提案する。 画像の汚損(染色品など)や敵攻撃に対する学習表現のレジリエンスを実証する。
  論文  参考訳（メタデータ） (2025-08-30T01:59:19Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Multiscale geometrical and topological learning in the analysis of soft matter collective dynamics [0.4440432588828829]
  統合幾何学的および位相的データ分析(TDA)は、そのようなシステムを研究するための強力なフレームワークを提供する。 スカイミオンアンサンブルの画像から生成されたフィールドの解析に基づく手法は、外部刺激に対するシステムの反応の非線形物理機構に関する洞察を与える。
  論文  参考訳（メタデータ） (2025-07-28T18:40:37Z)
• Shape Modeling of Longitudinal Medical Images: From Diffeomorphic Metric Mapping to Deep Learning [0.0]
  生体組織は複雑なシステムであり、外的および内的刺激に反応して常に成長し、変化する。 解剖学的構造における自然および病理学的(または異常な)変化のモデリングと理解は、非常に関連性が高い。 しかし, 生体組織の縦方向の形状変化をモデル化することは, 本質的に非線形な性質のため, 非自明な作業である。
  論文  参考訳（メタデータ） (2025-03-27T13:25:40Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• MorphGrower: A Synchronized Layer-by-layer Growing Approach for Plausible Neuronal Morphology Generation [38.87351909710185]
  本稿では,ニューロンの自然成長機構を模倣したMorphGrowerを提案する。 MorphGrowerは層ごとにモルフォロジー層を生成し、その後の各層は以前に生成された構造に条件付けされる。 4つの実世界のデータセットの結果、MorphGrowerはMorphVAEを顕著な差で上回っている。
  論文  参考訳（メタデータ） (2024-01-17T09:03:14Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。