論文の概要: SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models

• arxiv url: http://arxiv.org/abs/2606.19888v1
• Date: Thu, 18 Jun 2026 07:46:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.707178
• Title: SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models
• Title（参考訳）: SL-S4Wave:構造化状態空間モデルによる生理波形の自己教師付き学習
• Authors: Feng Wu, Harsh Deep, Eric Lehman, Sanyam Kapoor, Guoshuai Zhao, Rahul Krishnan, Gari Clifford, Li-wei H Lehman,
• Abstract要約: 本研究では,コントラスト学習と構造化状態空間モデル上に構築された調整エンコーダを組み合わせた自己教師型学習フレームワークSL-S4Waveを提案する。 SL-S4Waveは、挑戦的な不整脈検出タスクにおいて、最先端の教師付きベースラインと自己教師付きベースラインを一貫して上回る。 また,複数の脳波タスクにおけるSL-S4Waveの評価を行い,強いベースラインよりも優れた性能を実現し,心臓波形を超えたアプローチの一般化性を実証した。
• 参考スコア（独自算出の注目度）: 30.242008207142575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling long-sequence medical time series data, such as electrocardiograms (ECG), poses significant challenges due to high sampling rates, multichannel signal complexity, inherent noise, and limited labeled data. While recent self-supervised learning (SSL) methods, based on various encoder architectures such as convolutional neural networks, have been proposed to learn representations from unlabeled data, they often fall short in capturing long-range dependencies and noise-invariant features. Structured state space models (S4) excel at long-sequence modeling, but existing S4 architectures fail to capture the unique characteristics of multichannel physiological waveforms. In this work, we propose SL-S4Wave, a self-supervised learning framework that combines contrastive learning with a tailored encoder built on structured state space models. The encoder incorporates multi-layer global convolution using multiscale subkernels, enabling the capture of both fine-grained local patterns and long-range temporal dependencies in noisy, high-resolution multichannel waveforms. Extensive experiments on real-world datasets demonstrate that SL-S4Wave (1) consistently outperforms state-of-the-art supervised and self-supervised baselines in a challenging arrhythmia detection task, (2) achieves high performance with significantly fewer labeled examples, showcasing strong label efficiency, and (3) maintains robust performance on long waveform segments, highlighting its capacity to model complex temporal dynamics in long sequences that most existing approaches fail to efficiently model, and (4) transfers effectively to unseen arrhythmia types, underscoring its robust cross-domain generalization. We additionally evaluate SL-S4Wave on multiple EEG tasks, achieving superior performance over strong baselines, demonstrating generalizability of our approach beyond cardiac waveforms.
• Abstract（参考訳）: 心電図(ECG)のような長期医療時系列データのモデリングは、サンプリング率の高さ、マルチチャネル信号の複雑さ、固有ノイズ、ラベル付きデータの制限など、大きな課題を生んでいる。 畳み込みニューラルネットワークのような様々なエンコーダアーキテクチャに基づく最近の自己教師型学習(SSL)手法は、ラベルのないデータから表現を学習するために提案されているが、長距離依存やノイズ不変の特徴を捉えるには不足することが多い。 構造化状態空間モデル(S4)は、長周期モデリングにおいて優れているが、既存のS4アーキテクチャは、マルチチャネル生理学的波形のユニークな特性を捉えていない。 本研究では、コントラスト学習と構造化状態空間モデル上に構築された調整エンコーダを組み合わせた自己教師型学習フレームワークSL-S4Waveを提案する。 エンコーダはマルチスケールサブカーネルを用いた多層大域的畳み込みを取り入れており、ノイズの多い高分解能マルチチャネル波形において、きめ細かい局所パターンと長距離時間依存性の両方を捕捉することができる。 実世界のデータセットに対する大規模な実験により,SL-S4Wave (1) は,挑戦的不整脈検出タスクにおいて,最先端の教師付きおよび自己教師付きベースラインを一貫して上回り,(2) ラベル付き例を著しく少なくして高い性能を達成し,強ラベル効率を示し,(3) 長い波形セグメント上での堅牢な性能を維持し,(3) 既存のアプローチが効率的にモデル化できないような長いシーケンスにおいて,複雑な時間的ダイナミックスをモデル化する能力を強調し,(4) 不整脈型に効果的に移行し,その堅牢なクロスドメイン一般化を裏付けることを示す。 また,複数の脳波タスクにおけるSL-S4Waveの評価を行い,強いベースラインよりも優れた性能を実現し,心臓波形を超えたアプローチの一般化性を実証した。

関連論文リスト

• WavesFM: Hierarchical Representation Learning for Longitudinal Wearable Sensor Waveforms [30.599420483017227]
  本稿では,2段階のSSLフレームワークを縦型生理データに適用した基礎モデルWavesFMを提案する。 具体的には、学習問題を2つの段階に分解する: まず、セグメントレベルのエンコーダを事前訓練して、短い波形から局所的な埋め込みを抽出する。 この階層的なアプローチは、高解像度の長いシーケンスデータの計算複雑性を克服し、局所的な信号意味論と複雑な概日変動と、生理力学を規定する日内変動の両方を全体モデルで捉えることができる。
  論文  参考訳（メタデータ） (2026-05-09T21:22:02Z)
• WaveSSM: Multiscale State-Space Models for Non-stationary Signal Attention [22.983737182781244]
  状態空間モデル(SSM)は、長距離シーケンスモデリングの強力な基盤として登場した。 本稿では,ウェーブレットフレーム上に構築されたSSMの集合であるemphWaveSSMを紹介する。 我々のキーとなる観察は、ウェーブレットフレームが時間次元の局所的な支持を与え、正確な局所化を必要とするタスクに役立ちます。
  論文  参考訳（メタデータ） (2026-02-25T06:27:22Z)
• Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
  状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。 我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T23:15:17Z)
• Electromyography-Based Gesture Recognition: Hierarchical Feature Extraction for Enhanced Spatial-Temporal Dynamics [0.7083699704958353]
  本稿では, 時間的時間的特徴抽出手法として, 軽量な圧縮励起深層学習手法を提案する。 提案したモデルは、Ninapro DB2、DB4、DB5データセットでそれぞれ96.41%、92.40%、93.34%の精度でテストされた。
  論文  参考訳（メタデータ） (2025-04-04T07:11:12Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• Convolutional State Space Models for Long-Range Spatiotemporal Modeling [65.0993000439043]
  ConvS5は、長距離時間モデリングのための効率的な変種である。 トランスフォーマーとConvNISTTMは、長い水平移動実験において、ConvLSTMより3倍速く、トランスフォーマーより400倍速くサンプルを生成する一方で、大幅に性能が向上した。
  論文  参考訳（メタデータ） (2023-10-30T16:11:06Z)
• Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
  状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。 近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。 LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-12-24T15:17:42Z)
• Phase-Modulated Radar Waveform Classification Using Deep Networks [12.980296933051509]
  本稿では,SIDLEデータセットからの非同期波形の分類誤差を18%から0.14%に低減できることを示した。 また,過去の研究とは異なり,多重重なり波形の正確な分類も可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-15T20:07:17Z)

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。