論文の概要: Zero-Shot Heart Rate Variability Forecasting from Consumer Wearables Using Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2607.20027v1
• Date: Wed, 22 Jul 2026 11:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.063383
• Title: Zero-Shot Heart Rate Variability Forecasting from Consumer Wearables Using Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルを用いた消費者ウェアラブルのゼロショット心拍変動予測
• Abstract要約: 短期心拍変動(HRV)予測は、臨床医に自律神経機能障害や心不全を検知するための実用的なリードタイムを提供する可能性がある。 消費者ウェアラブルデバイスは、従来の予測アプローチに挑戦する断片的でアーティファクトに富んだHRV信号を生成する。 本研究では,Time Series Foundation Models(TSFM),TimeFM,Chronos,MOIRAIの3つの予測能力について検討した。
• 参考スコア（独自算出の注目度）: 5.572607261284016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term Heart Rate Variability (HRV) forecasting could provide clinicians with actionable lead time for detecting autonomic dysfunction and adverse cardiac events. Consumer wearable devices generate fragmented, artifact-rich HRV signals that challenge conventional forecasting approaches. In this study, we evaluated the forecasting ability of three Time Series Foundation Models (TSFMs), TimesFM, Chronos, and MOIRAI, against traditional baselines (Mean, Exponential Smoothing, and Exponentially Weighted Moving Average) on real-world wearable data collected from 49 healthy individuals. To address data fragmentation, we introduce a variability-preserving imputation method that augments linear interpolation with locally adaptive stochastic noise, retaining physiological dynamics essential for accurate forecasting. The results show that TSFMs outperformed all baselines without fine-tuning, achieving average Mean Absolute Scaled Error (MASE) between 0.81 and 0.87 across TSFMs and both context lengths (32 and 64 time steps), with Chronos and TimesFM as the top models, though MOIRAI showed limited gains over baselines. With up to a 2-hour forecast horizon, the results establish a baseline for TSFMs' performance on a real-world dataset, highlighting domain-specific fine-tuning as a promising direction for clinical deployment.
• Abstract（参考訳）: 短期心拍変動(HRV)予測は、臨床医に自律神経機能障害や心不全を検知するための実用的なリードタイムを提供する可能性がある。 消費者ウェアラブルデバイスは、従来の予測アプローチに挑戦する断片的でアーティファクトに富んだHRV信号を生成する。 本研究では,3つの時系列基礎モデル(TSFM,TimeFM,Chronos,MOIRAI)の従来のベースライン(平均,指数平滑化,指数重み移動平均)に対して,49人の健常者から収集した実世界のウェアラブルデータに基づいて予測能力を評価する。 データ断片化に対処するため, 線形補間を局所適応確率的雑音で拡張し, 正確な予測に不可欠な生理的ダイナミクスを保持する可変性保存型計算法を提案する。 その結果、TSFMは細調整なしで全てのベースラインを上回り、平均的な平均絶対誤差(MASE)は、TSFMで0.81から0.87であり、コンテキスト長(32と64のステップ)はどちらも最高モデルであるChronosとTimesFMが上回った。 2時間にわたる予測の地平線により、実世界のデータセット上でのTSFMのパフォーマンスのベースラインを確立し、臨床展開の有望な方向としてドメイン固有の微調整を強調した。

関連論文リスト

• SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals [29.86069351223442]
  本稿では, クロスチャネル結合, スペクトル誘導専門家専門化, および1つの事前学習フレームワーク内での連続潜時進化を統一するウェアラブル生理時系列生成基盤モデルSOTERを提案する。 我々は,5つの公開生理学的データセットから226億のタイムポイントを事前トレーニングし,分布外ゼロショット予測,フリーズエンコーダ線形プローブ分類,ウェアラブルベンチマークにおける連続的インキュベーションを含む,同じトレーニング済みモデルを評価する。
  論文  参考訳（メタデータ） (2026-09-15T08:11:03Z)
• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• A censoring-aware target interface for tabular foundation models in survival prediction [1.402135576373209]
  検閲対応のターゲットインタフェースフレームワークであるSurvFM-RMSTを紹介する。 生存時間を制限した平均生存時間に対して、サバイバル結果をジャックニフェの擬似観測目標に変換する。 既知の条件RMSTを用いたシミュレーションでは、SurvFM-RMSTは制限されたイベントフリー時間を正確に回収した。
  論文  参考訳（メタデータ） (2026-07-10T16:26:19Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals [0.8594140167290097]
  本研究では、7つの心拍変動特性(HRV)とともに連続的な心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。 我々は、最大平均離散性(MMD)を含む表現学習技術を用いて、ソースとターゲットドメイン間の特徴分布を整列する。 未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2026-05-05T22:03:48Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Enabling Granular Subgroup Level Model Evaluations by Generating Synthetic Medical Time Series [3.5347586732342435]
  テキスト拡張型TimeAutoDiffを導入し,分散アライメントのペナルティにより遅延拡散目標を増大させる。 我々は、MIMIC-IIIとeICUの全てのモデルについて、24時間死亡率と二分長タスクでベンチマークを行った。 32の交叉部分群では、大きな合成コホートがAUROC推定誤差を最大50%削減した。
  論文  参考訳（メタデータ） (2025-10-22T16:17:29Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• MIRA: Medical Time Series Foundation Model for Real-World Health Data [39.55921588296102]
  医用時系列の統一基盤モデルは、アノテーションの負担を軽減し、モデルのカスタマイズを最小化し、堅牢な転送を可能にする。 医療時系列の予測に特化して設計された統合基盤モデルであるMIRAを紹介する。 MIRAは、他のゼロショットベースラインや微調整ベースラインと比較して、アウト・オブ・ディストリビューションとイン・ディストリビューションのシナリオで平均10%と7%の誤差を予測できる。
  論文  参考訳（メタデータ） (2025-06-09T09:27:17Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)

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。