論文の概要: Cross-View Attention Fusion Net: A Prior-Guided Dual-View Representation Learning for Cardiac Output Estimation from Short-Term PPG Signals

• arxiv url: http://arxiv.org/abs/2605.19666v1
• Date: Tue, 19 May 2026 10:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 01:01:02.809085
• Title: Cross-View Attention Fusion Net: A Prior-Guided Dual-View Representation Learning for Cardiac Output Estimation from Short-Term PPG Signals
• Title（参考訳）: クロスビュー注意融合ネット:短期PSG信号からの心臓出力推定のための事前誘導デュアルビュー表現学習
• Authors: Yaowen Zhang, Bo Cui, Libera Fresiello, Peter H. Veltink, Dirk W. Donker, Ying Wang,
• Abstract要約: CVAF-Net (Cross-View Fusion Network) は、短い長さのPSGセグメントからCO推定を行うための、事前誘導されたデュアルビュー深層学習モデルである。 CVAF-Netは、生PSGを時間ビューとして、特徴系列マップ(FSM)を構造化された事前誘導ビューとして処理し、2つの表現をクロスビューアテンションを通じて融合する。
• 参考スコア（独自算出の注目度）: 4.906669147334531
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate cardiac output (CO) estimation from photoplethysmography (PPG) is promising for unobtrusive hemodynamic monitoring, but remains difficult since CO is jointly determined by cardiac function and vascular tone. Conventional feature-based models use physiologically meaningful PPG descriptors, yet depend on accurate pulse detection and may miss latent temporal relationships. In contrast, fully end-to-end deep learning models learn directly from raw PPG but often underuse established PPG-derived prior information. Here, we introduce the Cross-View Attention Fusion Network (CVAF-Net), a prior-guided dual-view deep learning model for CO estimation from short, fixed-length PPG segments. CVAF-Net processes raw PPG as a temporal view and a feature sequence map (FSM) as a structured prior-guided view, and fuses the two representations through cross-view attention. The model was independently evaluated using 5-, 15-, and 30-s segments from three datasets: simulated pulse waves (3323 subjects), vasoconstriction provocation (79 subjects), and resting/cycling activities (10 subjects), and was compared with multiple machine learning and deep learning benchmarks. CVAF-Net outperformed most benchmark methods and achieved performance comparable to a state-of-the-art Transformer-based model, with a mean absolute error (MAE) of 0.19 L/min (MAPE: 3.95%) on simulated data and high accuracy in real-world settings (minimum MAE: 1.20 L/min). Importantly, CVAF-Net reduced FLOPs by twelvefold compared with the leading Transformer-based model. Plausibility analysis showed physiologically consistent CO estimates, with expected correlations with age ($ρ= -0.274$), heart rate ($ρ= 0.894$), and systemic vascular resistance ($ρ= -0.740$). These findings indicate that CVAF-Net provides an accurate, computationally efficient, and generalizable approach for continuous wearable-based CO monitoring.
• Abstract（参考訳）: 光胸腺造影(PPG)による正確な心出力(CO)推定は非閉塞性血行動態モニタリングに期待できるが,COは心機能と血管トーンの併用で決定されるため,依然として困難である。 従来の特徴に基づくモデルは生理学的に意味のあるPSG記述子を用いるが、正確なパルス検出に依存し、潜時関係を欠く可能性がある。 対照的に、完全エンドツーエンドのディープラーニングモデルは生のPSGから直接学習するが、しばしばPSGから派生した事前情報を未使用にする。 本稿では,Cross-View Attention Fusion Network (CVAF-Net)について紹介する。 CVAF-Netは、生PSGを時間ビューとして、特徴系列マップ(FSM)を構造化された事前誘導ビューとして処理し、2つの表現をクロスビューアテンションを通じて融合する。 シミュレーションパルス波(3323名)、血管収縮誘発(79名)、安静・循環活動(10名)の3つのデータセットから,5-,15-,30-sセグメントを独立に評価し,複数の機械学習およびディープラーニングベンチマークと比較した。 CVAF-Netはほとんどのベンチマーク手法を上回り、平均絶対誤差0.19 L/min(MAPE: 3.95%)と実世界の設定(最小値MAE: 1.20 L/min)で最先端のトランスフォーマーモデルに匹敵する性能を達成した。 重要な点として、CVAF-Netはトランスフォーマーベースのモデルと比較してFLOPを12倍削減した。 可塑性分析では, 年齢(ρ=-0.274$), 心拍数(ρ=0.894$), 全身血管抵抗(ρ=-0.740$)との相関が示唆された。 これらの結果は,CVAF-Netが連続型ウェアラブル型COモニタリングに正確で,計算効率が高く,一般化可能なアプローチを提供することを示している。

関連論文リスト

• ConvFormer3D-TAP: Phase/Uncertainty-Aware Front-End Fusion for Cine CMR View Classification Pipelines [0.879504058268139]
  ConvFormer3D-TAPは3D畳み込みトークン化とマルチスケールの自己アテンションを統合し、心臓相と曖昧な側頭節間の堅牢性を高める。 ConvFormer3D-は150,974の臨床的に得られたシネ配列のコホートで、クラスごとのF1スコアによる検証精度が96%に達した。 これらの結果は、エンドツーエンドのcMRIにおけるビュールーティング、フィルタリング、品質制御のためのスケーラブルなフロントエンドとして、ConvFormer3DTAPをサポートする。
  論文  参考訳（メタデータ） (2026-04-13T12:29:16Z)
• Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
  高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。 近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。 最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
  論文  参考訳（メタデータ） (2025-09-25T23:46:39Z)
• Evaluation of state-of-the-art deep learning models in the segmentation of the heart ventricles in parasternal short-axis echocardiograms [0.0]
  胸部短軸心エコー図(PSAX-echo)における心室のセグメンテーションによる深層学習モデルの評価 深層学習モデルはPSAX-echoの左室と右室のセグメンテーションに適したモデルである。
  論文  参考訳（メタデータ） (2025-03-12T00:33:01Z)
• Continuous Cardiac Arrest Prediction in ICU using PPG Foundation Model [6.469423282286416]
  急性の健康イベントの追跡と予測のための非侵襲的な患者モニタリングは、新たな研究分野である。 深達度表現のみを用いたICU患者のIHCA予測結果について報告する。 また,潜在空間における患者の健康軌道のアーキテクチャチューニングとPaCMAP可視化を通じて,モデル全体を包括的に分析する。
  論文  参考訳（メタデータ） (2025-02-12T18:01:04Z)
• 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)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。