論文の概要: BCoughBench: Benchmarking Respiratory Acoustic Foundation Models Under Body-Coupled Wearable Sensor Conditions
- arxiv url: http://arxiv.org/abs/2606.25116v1
- Date: Tue, 23 Jun 2026 19:43:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.12865
- Title: BCoughBench: Benchmarking Respiratory Acoustic Foundation Models Under Body-Coupled Wearable Sensor Conditions
- Title（参考訳）: BCoughBench:身体結合型ウェアラブルセンサ条件下での呼吸音響基礎モデルのベンチマーク
- Authors: Mayur Sanap, Prasanna Desikan, Edgar Lobaton,
- Abstract要約: 呼吸音響基礎モデル(FM)は、スマートフォンの録音にのみベンチマークされる。
ボディカップリング(BC)ウェアラブルのセンサーは、組織や骨を通して高周波の内容を減らし、FMの信頼性を損なう。
BCoughBenchを導入し、9つの分類タスク(AUROC、95%の特異性、期待エラー)と3つの年齢回帰タスク(MAE対平均予測基準)で5つのFMを評価する。
FMは臨床感度閾値(Se@Sp95 $geq$ 0.20)に満たない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Respiratory acoustic foundation models (FMs) are benchmarked exclusively on smartphone recordings, yet clinical deployment increasingly targets body-coupled (BC) wearables whose sensors attenuate high-frequency content through tissue and bone, leaving FM reliability uncharacterised. We introduce BCoughBench, evaluating five FMs (OPERA-CT/CE/GT, HeAR, M2D+Resp) on nine classification tasks (AUROC, sensitivity at 95% specificity, Expected Calibration Error) and three age regression tasks (MAE vs. a mean-predictor baseline) across five EBEN-simulated BC sensor conditions on five labeled cough datasets. Mean AUROC declines from 0.785 (smartphone) to 0.689-0.723, degrading most under temple vibration pickup ($Δ$ = -0.096) and least under the soft in-ear ($Δ$ = -0.062). No FM meets the clinical sensitivity threshold (Se@Sp95 $\geq$ 0.20) on most disease tasks under any BC sensor. Sex classification on the CIDRZ cohort collapses (AUROC 0.954 to 0.596-0.628, $Δ$ = -0.341) while COVID detection is nearly unaffected ($Δ$ = -0.004). Age regression is robust, improving under the forehead accelerometer on CoughVID (MAE 9.61 to 8.97 yr); HeAR leads on regression and demographic tasks, M2D+Resp on disease and characteristic tasks. BCoughBench provides a reproducible framework for FM evaluation under wearable conditions.
- Abstract（参考訳）: FM(respiratory acoustic foundation model)は、スマートフォンの録音にのみベンチマークされるが、臨床展開では、センサーが組織や骨を通じて高周波コンテンツを減衰させ、FMの信頼性を損なう身体結合型ウェアラブル(BC)をターゲットとしている。
BCoughBench では,5つの FM (OPERA-CT/CE/GT, HeAR, M2D+Resp) を9つの分類タスク (AUROC, 95%特異性, 期待キャリブレーション誤差) と3つの年齢回帰タスク (MAE vs. a mean-predictor baseline) で評価した。
AUROCの平均は0.785から0.689-0.723に減少し、寺院の振動ピックアップ(Δ$ = -0.096)、そして少なくともソフトインイヤー(Δ$ = -0.062)で劣化する。
FMは臨床感度閾値(Se@Sp95 $\geq$ 0.20)に満たない。
CIDRZコホート崩壊の性分類(AUROC 0.954 - 0.596-0.628, $Δ$ = -0.341)が、COVID検出はほとんど影響を受けていない(Δ$ = -0.004)。
年齢回帰は頑健であり、CoughVID (MAE 9.61 - 8.97 yr) の額加速度計で改善されている。
BCoughBenchは、ウェアラブル環境でのFM評価のための再現可能なフレームワークを提供する。
関連論文リスト
- Uncertainty-Aware Mapping from 3D Keypoints to Anatomical Landmarks for Markerless Biomechanics [39.155383773210836]
マーカーレスバイオメカニクスは、ますますビデオから抽出された3D骨格キーポイントに依存している。
本研究では,3Dポーズキーポイントを3D解剖学的ランドマークにマッピングするための信頼度尺度として,予測の不確実性について検討する。
論文 参考訳（メタデータ） (2026-03-27T09:42:23Z) - Multimodal Survival Modeling and Fairness-Aware Clinical Machine Learning for 5-Year Breast Cancer Risk Prediction [4.750682174151462]
乳癌における5年間の生存予測のための,完全再現可能な機械学習フレームワークを提案する。
我々は,METABRICコホートから高次元転写・複写数変化(CNA)の特徴を臨床変数と統合した。
ROC曲線(AUC)、平均精度(AP)、キャリブレーション曲線、ブライアスコア、ブートストラップの95%の信頼区間を用いて評価を行った。
論文 参考訳（メタデータ） (2026-02-25T07:20:43Z) - Sleep Apnea Detection on a Wireless Multimodal Wearable Device Without Oxygen Flow Using a Mamba-based Deep Learning Approach [0.0]
本稿では,ANNE Oneの信号に基づく睡眠障害呼吸の診断および事象レベル評価のための,マンバに基づく深層学習モデルを提案し,評価する。
論文 参考訳（メタデータ） (2025-11-30T17:21:44Z) - Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。
Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文 参考訳（メタデータ） (2025-11-21T21:50:34Z) - I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。
凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。
COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
論文 参考訳（メタデータ） (2025-11-05T23:28:14Z) - HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。
WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。
本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
論文 参考訳（メタデータ） (2025-06-23T17:22:19Z) - RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。
我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。
提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
論文 参考訳（メタデータ） (2024-05-02T16:17:29Z) - Quantifying Impairment and Disease Severity Using AI Models Trained on
Healthy Subjects [27.786240241494436]
Confidence-based chaRacterization of Anomalies (COBRA) スコアは、障害または疾患のある患者に提示された場合、これらのモデルの信頼性の低下を利用する。
脳卒中患者の上半身障害の現在の臨床的評価の鍵となる限界にCOBRAスコアを適用した。
論文 参考訳（メタデータ） (2023-11-21T18:45:52Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z)
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。