論文の概要: VitalAgent: A Tool-Augmented Agent for Reactive and Proactive Physiological Monitoring over Wearable Health Data

• arxiv url: http://arxiv.org/abs/2605.29483v1
• Date: Thu, 28 May 2026 07:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.884487
• Title: VitalAgent: A Tool-Augmented Agent for Reactive and Proactive Physiological Monitoring over Wearable Health Data
• Title（参考訳）: VitalAgent: ウェアラブル健康データに対する反応性および能動的生理モニタリングのためのツール強化エージェント
• Authors: Di Zhu, Yu Yvonne Wu, Hong Jia, Aaqib Saeed, Vassilis Kostakos, Ting Dang,
• Abstract要約: 既存のmHealthシステムは、タスク固有の予測パイプラインや静的要約に対する質問応答に限られている。 我々は、反応性質問応答とプロアクティブモニタリングの両方をサポートする、ECG/リアクティブベースのmHealth用のツール拡張エージェントフレームワークであるVitalAgentを提案する。
• 参考スコア（独自算出の注目度）: 20.802944429550212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable devices enable continuous monitoring of physiological signals such as ECG and PPG, but existing mHealth systems are largely limited to task-specific prediction pipelines or reactive question answering over static summaries. They lack the ability to support temporal reasoning, persistent physiological context, and proactive monitoring over long-term signal streams. We propose VitalAgent, a tool-augmented agentic framework for ECG/PPG-based mHealth that supports both reactive question answering and proactive monitoring. VitalAgent is built on a longitudinal physiological memory and a tool-augmented reasoning interface that enables dynamic computation over raw signals. We further introduce VitalBench, a longitudinal physiological monitoring benchmark dataset comprising 1,862 QA pairs for reactive question answering and 90.2 hours of continuous ECG/PPG recordings for proactive monitoring, covering cardiac, physical activity, and stress-related tasks. Experiments demonstrate that VitalAgent achieves over 30% improvement over prompt-based and ReAct baselines in reactive evaluation and supports proactive alert monitoring over long-term physiological signals, highlighting the importance of dynamic tool use and long-term physiological monitoring.
• Abstract（参考訳）: ウェアラブルデバイスはECGやPSGなどの生理的信号の連続的なモニタリングを可能にするが、既存のmHealthシステムはタスク固有の予測パイプラインや静的サマリー上の反応性質問応答に大きく制限されている。 時間的推論、持続的な生理的文脈、長期的なシグナルストリームに対する積極的なモニタリングをサポートする能力は欠如している。 反応型質問応答とプロアクティブモニタリングの両方をサポートする,ECG/PPGベースのmHealth用ツール拡張エージェントフレームワークであるVitalAgentを提案する。 VitalAgentは、縦型生理記憶と、生信号の動的計算を可能にするツール拡張推論インタフェース上に構築されている。 さらに、反応質問応答のための1,862対のQAペアと、活動モニタリングのための90.2時間の連続ECG/PPG記録、心臓、身体活動、ストレス関連タスクを含む、縦型生理モニタリングベンチマークであるVitalBenchを紹介した。 実験により、VitalAgentは、反応評価におけるプロンプトベースおよびReActベースラインよりも30%以上の改善を実現し、長期間の生理的信号に対するプロアクティブアラートモニタリングをサポートし、動的ツールの使用の重要性と長期の生理的モニタリングを強調している。

関連論文リスト

• Cooperative Informative Sensing for Monitoring Dynamic Indoor Environments via Multi-Agent Reinforcement Learning [56.64821510576244]
  我々は,複数のロボットが動作を調整し,部分観測可能性下での監視精度を直接最適化する分散制御問題として,協調的アクティブな観察を定式化する。 本稿では,多エージェント強化学習(MARL)を用いた分散観測から,多人数の人間と時間的依存関係を扱うアーキテクチャを基盤とした協調政策学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-25T07:20:15Z)
• From Biometrics to Environmental Control: AI-Enhanced Digital Twins for Personalized Health Interventions in Healing Landscapes [5.381203326687129]
  本稿では,生体信号,特に心電図(ECG)データを温度,湿度,換気などの環境パラメータと統合したAI強化デジタルツインフレームワークを提案する。 システムは、物理環境の応答性のある仮想レプリカを構築するために、連続的にマルチモーダルデータストリームを取得し、同期し、前処理する。
  論文  参考訳（メタデータ） (2025-05-04T21:58:18Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)
• Adaptive Multi-Agent Deep Reinforcement Learning for Timely Healthcare Interventions [17.405080523382235]
  マルチエージェント深部強化学習(DRL)を用いた新しいAI駆動型患者監視フレームワークを提案する。 アプローチでは複数の学習エージェントをデプロイし,心拍数,呼吸量,温度などの生理的特徴をモニタする。 提案する多エージェントDRLフレームワークの性能を,2つのデータセットから実世界の生理・運動データを用いて評価した。
  論文  参考訳（メタデータ） (2023-09-20T00:42:08Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Learning Generalizable Physiological Representations from Large-scale Wearable Data [12.863826659440026]
  意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。 その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。 本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T17:56:03Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。