論文の概要: Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins

• arxiv url: http://arxiv.org/abs/2607.00431v1
• Date: Wed, 01 Jul 2026 04:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.718622
• Title: Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins
• Title（参考訳）: Timesynth:健康信号デジタル双生児のための時間的忠実度フレームワーク
• Abstract要約: Time Synthは、健康信号デジタル双生児のための制御されたベンチマークフレームワークである。 これは、実際の脳波、心電図、光胸波信号に適合するパラメトリックモデルから、解析的に知られた地動特性を持つ信号を生成する。 Time Synthは、モデルが患者データに結合される前に、制御された前臨床ストレステストが欠如しているのに対して、再利用可能なジェネレータとフィデリティ対応開発のための診断装置を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting models for health-signal digital twins must preserve the oscillatory, frequency, phase, and state-transition dynamics of physiological signals, yet the pointwise metrics used to benchmark them cannot detect when these fundamental properties are lost. We show that this blind spot misranks models: across 11 architectures, models with comparable pointwise error diverge by up to 53° in phase accuracy, equivalent to roughly 123 ms for a 1.2 Hz cardiac rhythm and invisible to standard metrics. To enable development of models that escape such failures, we introduce TimeSynth, a controlled benchmarking framework with two reusable components: a physiologically grounded generator producing signals with analytically known ground-truth dynamics from parametric models fitted to real electroencephalography, electrocardiography and photoplethysmogram signals, along with diagnostics quantifying amplitude, frequency, phase, and state-transition fidelity. Linear and full-sequence attention models systematically lose frequency and phase information despite acceptable amplitude error, whereas architectures with localized temporal structure better preserve dynamical fidelity and adapt to observable state transitions; none, however, reliably preserves stochastic switching. Because the dominant determinant of fidelity is architectural, model choice becomes a principled, use-case-driven decision rather than a search for a single winner. TimeSynth thus supplies the controlled preclinical stress test missing before models are coupled to patient data, with a reusable generator and diagnostics for fidelity-aware development.
• Abstract（参考訳）: 健康信号を用いたデジタル双生児の予測モデルは、生理的信号の振動、周波数、位相、状態遷移のダイナミクスを保たなければならないが、これらの基本的な性質が失われるかどうかをベンチマークに使用するポイントワイズ指標は検出できない。 この盲点は、11のアーキテクチャにおいて、位相精度が最大53°まで変化するモデルであり、1.2Hzの心拍リズムで約123msと同等であり、標準のメトリクスでは見えないモデルである。 実脳波, 心電図, 光胸波信号に適合するパラメトリックモデルから解析的に知られた地中動特性を持つ信号を生成し, 振幅, 周波数, 位相, 状態遷移率の定量化を行う。 線形および全系列の注意モデルは、許容振幅誤差にもかかわらず、系統的に周波数と位相情報を失うが、局所的な時間構造を持つアーキテクチャは、動的忠実性を維持し、観測可能な状態遷移に適応する。 忠実性の主要な決定要因はアーキテクチャであるため、モデル選択は単一の勝者を探すのではなく、原則化されたユースケース駆動の意思決定になる。 したがって、TimeSynthは、モデルが患者データに結合される前に、制御された前臨床ストレステストが欠如しているのに対して、再利用可能なジェネレータとフィデリティ対応の開発のための診断装置を供給している。

関連論文リスト

• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
  物理信号の長距離自己回帰予測は誤差蓄積によって制限される。 物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-09T13:46:14Z)
• Uncertainty-Driven Anomaly Detection for Psychotic Relapse Using Smartwatches: Forecasting and Multi-Task Learning Fusion [17.706122087921038]
  我々は,日常的再発検出のための2つのスマートウォッチベースのフレームワークを開発し,体系的に研究する。 第1の予測は、異常の指標として、予測された特徴と観察された特徴のずれを心臓力学とフラグで予測する。 2つ目は、睡眠と心臓由来の信号とを融合させるマルチタスクの定式化である。
  論文  参考訳（メタデータ） (2026-05-13T17:43:07Z)
• Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
  機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。 既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。 5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-02-09T04:42:42Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• GO-OSC and VASH: Geometry-Aware Representation Learning for Early Degradation Detection in Oscillatory Systems [0.0]
  本稿では,振動時系列の幾何学的表現学習フレームワークGO-OSCを紹介する。 初期位相のみの劣化下では、エネルギーベースの統計は1次検出能力がゼロであるのに対し、幾何プローブは厳密に正の感度を得る。 解析では, 線形探索が不特定表現の下でいつ, なぜ失敗するのかを特徴付けるとともに, 正準化が統計的検出性を回復することを示す。
  論文  参考訳（メタデータ） (2026-01-24T09:35:57Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• TF-TransUNet1D: Time-Frequency Guided Transformer U-Net for Robust ECG Denoising in Digital Twin [16.693268731997996]
  U-NetベースのエンコーダデコーダアーキテクチャとTransformerエンコーダを統合した,新しい1次元ディープニューラルネットワークTF-TransUNet1Dを提案する。 このモデルは、局所的な形態的特徴と長距離時間的依存関係を同時に捉えるように設計されている。 高精度デノゲーションを提供することで、この作業は心臓のデジタル双生児のための前処理パイプラインにおいて重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-08-28T03:51:19Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。