論文の概要: OpenMHC: Accelerating the Science of Wearable Foundation Models

• arxiv url: http://arxiv.org/abs/2607.16235v2
• Date: Tue, 21 Jul 2026 10:33:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.049171
• Title: OpenMHC: Accelerating the Science of Wearable Foundation Models
• Title（参考訳）: OpenMHC: ウェアラブルファウンデーションモデルの科学を加速する
• Abstract要約: OpenMyHeartCountsは、これまでで最大かつ最も包括的なオープンアクセス型ウェアラブルヘルスデータセットです。 OpenMHCには、19のセンサーチャネルにわたる6000万時間以上のウェアラブルデータが含まれている。 統一されたオープンなベンチマークを導入し、3トラックにわたるウェアラブルヘルスモデルの標準化された比較を可能にした。
• 参考スコア（独自算出の注目度）: 9.029713611943237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile and wearable devices offer an unprecedented opportunity for continuous, passive health monitoring and active health coaching. However, the largest wearable datasets are not publicly available for research, and leading wearable foundation models trained on such datasets are rarely open-weight or come with reproducible training code. To accelerate open science in wearable health, we release OpenMyHeartCounts (OpenMHC), the largest and most comprehensive open-access wearable health dataset to date, alongside open-source implementations of recent wearable foundation models. OpenMHC, derived from over a decade of data collected through the My Heart Counts study app, includes >60 million hours of wearable data across 19 sensor channels (e.g., step count, heart rate, sleep, workouts) and up to 169 linked variables, including health, lifestyle, mood, and behavior from 11,894 consenting participants. Furthermore, we introduce a unified, open benchmark that enables standardized comparison of wearable health models across three tracks: health and behavior downstream prediction, multivariate data imputation, and time-series forecasting. We benchmark classical methods alongside recent wearable and multivariate time series foundation models. By open-sourcing data, code, and model weights at this unprecedented scale, we aim to democratize wearable health AI research and enable the community to drive open progress in this domain.
• Abstract（参考訳）: モバイルおよびウェアラブルデバイスは、継続的な、受動的な健康モニタリングとアクティブな健康コーチングのための前例のない機会を提供する。 しかし、最大のウェアラブルデータセットは研究のために公開されておらず、そのようなデータセットでトレーニングされた主要なウェアラブル基盤モデルは、オープンウェイトまたは再現可能なトレーニングコードを持つことは滅多にない。 ウェアラブル健康におけるオープンサイエンスを加速するために、私たちはOpenMyHeartCounts(OpenMHC)をリリースしました。 OpenMHCは、My Heart Countsで10年以上に渡り収集されたデータから生まれたもので、19のセンサーチャネル(歩数、歩数、心拍数、睡眠、運動など)にわたる6000万時間以上のウェアラブルデータと、11,894人の同意を得た参加者の健康、ライフスタイル、ムード、行動を含む169の関連変数が含まれている。 さらに、健康と行動の下流予測、多変量データ計算、時系列予測という3つのトラックにわたるウェアラブルヘルスモデルの標準化された比較を可能にする統一されたオープンベンチマークを導入する。 我々は、最近のウェアラブルおよび多変量時系列基礎モデルと共に古典的手法をベンチマークする。 この前例のない規模でデータ、コード、モデルウェイトをオープンソース化することで、私たちはウェアラブルヘルスAI研究を民主化し、コミュニティがこの領域のオープンな進歩を促進することを目指しています。

関連論文リスト

• A foundation model for electrodermal activity data [6.358782613138015]
  EDAMAMEは、24の公開データセットから得られた電磁気的活動トレースの集合体である。 私たちは、EDAのための最初の専用の基盤モデルであるUMEをトレーニングします。 すべてのデータセット、モデルウェイト、コードがリリースされ、さらなる研究をサポートする。
  論文  参考訳（メタデータ） (2026-02-20T14:31:08Z)
• Silhouette-based Gait Foundation Model [56.27974816297294]
  統一された歩行基盤モデルを構築するには、スケーラビリティと一般化の2つの長年の障壁に対処する必要がある。 私たちは、歩行理解のための最初のスケーラブルでセルフ教師付き事前学習フレームワークであるFoundationGaitを紹介します。
  論文  参考訳（メタデータ） (2025-11-30T01:53:41Z)
• Generative Medical Event Models Improve with Scale [11.04430289614517]
  本稿では,医療イベントデータに関する最大のスケーリング法則について述べる。 最大10億のパラメータを持つ計算最適モデルを事前学習した。 診断予測や疾患予後,医療活動など,78の現実的課題について検討した。
  論文  参考訳（メタデータ） (2025-08-16T17:00:51Z)
• 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)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models in Medicine [55.29668193415034]
  マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。 これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。 様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
  論文  参考訳（メタデータ） (2024-02-28T03:51:02Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Federated Learning of Medical Concepts Embedding using BEHRT [0.0]
  医療概念の埋め込み学習のための連合学習手法を提案する。 我々のアプローチは、EHRのディープニューラルネットワークモデルであるBEHRTのような埋め込みモデルに基づいている。 我々は、FLで訓練されたモデルと集中型データで訓練されたモデルのパフォーマンスを比較した。
  論文  参考訳（メタデータ） (2023-05-22T14:05:39Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。