論文の概要: BCG-FM: A Foundation Model for Ambient Cardiac Health Sensing

• arxiv url: http://arxiv.org/abs/2606.07692v1
• Date: Fri, 05 Jun 2026 07:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.282016
• Title: BCG-FM: A Foundation Model for Ambient Cardiac Health Sensing
• Title（参考訳）: BCG-FM : 心臓健診の基礎モデル
• Authors: Magnus Ruud Kjaer, Haejun Han, Ashish Neupane, David Q. Sun,
• Abstract要約: BCG-FMは, 環境生体信号の最初の基礎モデルである。 ベッド表面に埋め込まれた圧電センサは、毎晩、利用者の努力なしにBCGを記録する。 BCG-FMの凍結埋め込みは生物学的年齢推定において3.26年のMAEを達成している。
• 参考スコア（独自算出の注目度）: 0.06999740786886535
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Foundation models for wearable biosignals have matched or exceeded supervised specialists across a range of clinical tasks, yet all rely on modalities that require deliberate user action--wearing a device or visiting a sleep lab. We introduce BCG-FM, the first foundation model for ambient mechanical biosignals. A piezoelectric sensor embedded in the bed surface records ballistocardiography (BCG) each night without user effort; we pretrain BCG-FM with participant-level contrastive learning and using a total of 2.75 million hours of nightly recordings from 145,985 individuals, the largest raw-waveform biosignal pretraining corpus to date. Frozen BCG-FM embeddings achieve 3.26-year MAE on biological-age estimation (the lowest reported for any ambient, contactless modality) and yield clinically relevant discrimination across 15 self-reported health conditions and three independent external cohorts. Pretrained representations from only 500 labeled participants outperform a fully supervised baseline trained on 3,372, and representation quality scales log-linearly with contrastive batch size. These results establish ambient, longitudinal mechanical biosignals as a viable modality for health foundation models.
• Abstract（参考訳）: ウェアラブルバイオシグナーの基礎モデルは、様々な臨床作業において監督された専門家と一致するか、あるいは超えてきたが、いずれも、デバイスを装着したり、睡眠ラボを訪れたりするための意図的なユーザーアクションを必要とするモダリティに依存している。 BCG-FMは, 環境生体信号の最初の基礎モデルである。 ベッド面に埋め込まれた圧電センサは, 毎晩BCG(Balistocardiography)を記録しており, 参加者レベルのコントラスト学習と, 145,985人の夜間記録の合計275万時間を用いてBCG-FMを事前訓練している。 BCG-FMの凍結は、生物学的年齢推定において3.26年のMAE(環境、接触のないモダリティが最も低い)を達成し、15の自己申告された健康状態と3つの独立した外部コホートに対して臨床的に関連性のある差別をもたらす。 わずか500人のラベル付き参加者による事前訓練された表現は、3,372でトレーニングされた完全に教師されたベースラインよりも優れており、表現品質は対照的なバッチサイズで対数的にスケールする。 これらの結果は、健康基盤モデルに有効なモダリティとして、周囲の縦方向の機械的生体信号を確立する。

関連論文リスト

• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• SignalMC-MED: A Multimodal Benchmark for Evaluating Biosignal Foundation Models on Single-Lead ECG and PPG [22.003038675960426]
  生体信号基礎モデル(FM)は様々な臨床予測タスクにおいて有望な性能を示す。 本稿では,同期単葉心電図(ECG)と光胸腺図データを用いた生体信号FMの評価ベンチマークであるSignalMC-MEDを紹介する。 ドメイン固有の生体信号FMは、一般的な時系列モデルより一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-10T17:32:28Z)
• 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)
• Large-scale Training of Foundation Models for Wearable Biosignals [1.8291790356553643]
  バイオシグナーの追跡は、健康の監視と重度の医療疾患の予防に不可欠である。 ウェアラブルと既存のデジタルバイオマーカーにもかかわらず、ラベル付きデータの欠如は、新しいバイオマーカーの開発を妨げる。 我々は、フォトムーブメントと心電図という2つの一般的な生体信号の基礎モデルを訓練する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:34Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• 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)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。