論文の概要: Physical activities enable scalable foundation modelling for broad-spectrum health prediction

• arxiv url: http://arxiv.org/abs/2607.06954v1
• Date: Wed, 08 Jul 2026 03:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.273611
• Title: Physical activities enable scalable foundation modelling for broad-spectrum health prediction
• Title（参考訳）: 広視野健康予測のための拡張的基礎モデリングを可能にする身体活動
• Authors: Zhenghuang Wu, Yuyao Zhu, Songlin Xu,
• Abstract要約: StepFMは、広帯域の健康予測のためのステップカウンタデータのみに基づいて構築された基礎モデルである。 大規模ステップシーケンスから時間的ダイナミクスや行動パターンをキャプチャする,スケーラブルな事前学習フレームワークを設計する。 分析の結果,身体活動パターンと各種健康リスクの解釈可能・一般化可能関係が明らかとなった。
• 参考スコア（独自算出の注目度）: 3.5047438945401725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable and mobile sensing technologies have demonstrated strong potential for health inference; however, most sensor models are designed for specific disease types, limiting their transferability across different health risks. Wearable foundation models offer a more generalizable approach in diverse health risk types. Nevertheless, most existing methods rely on high-frequency raw sensor data, raising concerns about privacy, computational overhead, and scalability across devices and populations. In this paper, we propose StepFM, a foundation model built solely on step counter data for broad-spectrum health prediction. Leveraging the ubiquity and low-dimensional nature of step data, StepFM provides a practical, privacy-preserving, and computation-efficient alternative to traditional sensor-based models. We design a scalable pre-training framework that captures temporal dynamics and behavioral patterns from large-scale step sequences, enabling transfer across more than 20 health risk prediction tasks spanning diverse devices, new regions, and novel disease types. Extensive experiments demonstrate that StepFM achieves strong performance compared to existing methods while maintaining robustness across heterogeneous settings. Furthermore, our analysis reveals interpretable and generalizable relationships between physical activity patterns and various health risks, offering new insights into activity-based health modeling. Our work establishes step-based sensing as a viable foundation for scalable and real-world health monitoring.
• Abstract（参考訳）: ウェアラブルおよびモバイルセンシング技術は、健康推測に強い可能性を示しているが、ほとんどのセンサーモデルは特定の疾患タイプ向けに設計されており、異なる健康リスク間での移動可能性を制限する。 ウェアラブル基盤モデルは、多様な健康リスクタイプにおいてより一般化可能なアプローチを提供する。 それにもかかわらず、既存のほとんどの手法は高周波の生センサデータに依存しており、プライバシ、計算オーバーヘッド、デバイスや人口間のスケーラビリティに関する懸念を提起している。 本稿では,広帯域健康予測のためのステップカウンタデータのみに基づく基礎モデルであるStepFMを提案する。 StepFMは、ステップデータのユビキティと低次元の性質を活用することで、従来のセンサーベースのモデルに代わる実用的でプライバシ保護、計算効率の高い代替手段を提供する。 我々は、大規模ステップシーケンスから時間的ダイナミクスと行動パターンを捕捉し、多様なデバイス、新しいリージョン、新しい病気タイプにまたがる20以上の健康リスク予測タスクを伝達するスケーラブルな事前学習フレームワークを設計する。 大規模な実験では、StepFMは既存の方法と比較して高いパフォーマンスを達成し、不均一な設定で堅牢性を維持している。 さらに,身体活動パターンと各種健康リスクの解釈可能かつ一般化可能な関係を明らかにし,活動に基づく健康モデリングの新しい知見を提供する。 私たちの研究は、スケーラブルで現実世界の健康モニタリングの有効な基盤として、ステップベースのセンシングを確立しています。

関連論文リスト

• Towards a General Intelligence and Interface for Wearable Health Data [45.854819784803055]
  本研究では,1兆分以上の未ラベルセンサ信号に基づいて,ウェアラブルヘルスの基盤モデルを提案する。 この集団スケールの表現は、ラベル効率のよい少数ショット学習と生成能力を有効化して、1日あたりのロバストな計量推定を行う。
  論文  参考訳（メタデータ） (2026-05-21T17:24:06Z)
• Active Target Discovery under Uninformative Prior: The Power of Permanent and Transient Memory [26.488250231429774]
  高品質なデータを取得するのが高価である多くの科学・工学分野において、制限された予算内での発見率の最大化には、観測されていない領域の戦略的サンプリングが不可欠である。 非形式的事前設定においても効果的なアクティブターゲット発見を可能にする新しい手法を提案する。 ブラックボックスのポリシーとは異なり、私たちのアプローチは本質的に解釈可能であり、意思決定に関する明確な洞察を与えます。
  論文  参考訳（メタデータ） (2025-10-19T00:42:56Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• CanvOI, an Oncology Intelligence Foundation Model: Scaling FLOPS Differently [0.0]
  本稿では,VT-g/10ベースの基盤モデルであるCanvOIについて述べる。 より大きなタイルサイズ(380 x 380ピクセル)と小さなパッチサイズ(10 x 10ピクセル)を導入することで、モデルの性能を最適化することができた。
  論文  参考訳（メタデータ） (2024-09-04T17:15:44Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)

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。