論文の概要: HealthCAT: An Interpretable Encoder-only Transformer Framework for Health Indicator Prediction and Temporal Interpretation of Wearable Sensor Data

• arxiv url: http://arxiv.org/abs/2607.27635v1
• Date: Thu, 30 Jul 2026 03:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.385903
• Title: HealthCAT: An Interpretable Encoder-only Transformer Framework for Health Indicator Prediction and Temporal Interpretation of Wearable Sensor Data
• Title（参考訳）: HealthCAT: ウェアラブルセンサデータのヘルス指標予測と時間解釈のための解釈可能なエンコーダオンリートランスフォーマフレームワーク
• Abstract要約: 既存のディープラーニング手法は、解釈可能性よりも予測精度を優先し、健康研究への応用を制限する。 本稿では、TransformerとAttentive Class Activation Token(AttentiveCAT)を統合するフレキシブルなフレームワークHealthCATを紹介し、クラス固有のタイムステップレベルの解釈を生成する。 これらの解釈は、ウェアラブルセンサーデータの個々のレベル分析をサポートするドメイン(例えば、日時)に関連する行動サイクルにマッピングすることができる。
• 参考スコア（独自算出の注目度）: 2.3653290742354085
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Wearable sensors continuously capture fine-grained multivariate time-series data, providing opportunities to model behavioural patterns associated with health outcomes. However, existing deep learning methods prioritise predictive accuracy over interpretability, limiting their application in health research. In this study, we present HealthCAT, a flexible framework that integrates an Encoder-only Transformer with an Attentive Class Activation Token (AttentiveCAT) to generate class-specific, time-step-level interpretations. These interpretations can be mapped back onto behavioural cycles that are relevant to the domain (e.g., time-of-day), supporting individual-level analysis of wearable sensor data. We evaluated HealthCAT using two real-world wearable sensor datasets (306 participants in total). HealthCAT outperformed deep learning baselines by up to 17\% in F1-score and 12\% in accuracy on both datasets ($p<0.05$). In masking experiments, the time steps identified by HealthCAT carried significantly more predictive value than random selection across all masking conditions ($p<0.05$), indicating that the identified time steps are predictively informative. By coupling predictive performance with validated time-step-level interpretability, HealthCAT moves wearable sensor analysis beyond aggregated metrics towards temporal patterns that support health monitoring, behavioural pattern analysis, and intervention design in health research. The significance of this work is that it enables accurate prediction of health indicators from wearable sensor data while providing insights into when and how physical activity patterns occur, rather than relying solely on aggregated summary measures.
• Abstract（参考訳）: ウェアラブルセンサーは、細粒度の多変量時系列データを継続的にキャプチャし、健康結果に関連する行動パターンをモデル化する機会を提供する。 しかし、既存のディープラーニング手法は、解釈可能性よりも予測精度を優先し、健康研究への応用を制限している。 本研究では,EncoderのみのトランスフォーマーとAttentive Class Activation Token(AttentiveCAT)を統合し,クラス固有の時間ステップレベルの解釈を生成するフレキシブルなフレームワークであるHealthCATを提案する。 これらの解釈は、ドメインに関連する行動サイクル(例えば、日時)にマッピングすることができ、ウェアラブルセンサーデータの個々のレベル分析をサポートする。 実世界のウェアラブルセンサーデータセット(306名)を用いてHealthCATを評価した。 HealthCATは、F1スコアで最大17\%、両方のデータセットで12\%の精度でディープラーニングベースラインを上回った(p<0.05$)。 マスキング実験では,HealthCATが同定した時間ステップは,すべてのマスキング条件(p<0.05$)のランダム選択よりも有意に高い予測値を示した。 HealthCATは、予測性能と検証された時間段階の解釈可能性を組み合わせることで、ウェアラブルセンサー分析を集約されたメトリクスを超えて、健康モニタリング、行動パターン分析、健康研究における介入設計をサポートする時間的パターンへと移行する。 この研究の意義は、集計された要約尺度のみに頼るのではなく、ウェアラブルセンサーデータから健康指標を正確に予測し、いつ、どのように身体活動パターンが発生するかについての洞察を提供することである。

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)
• Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions [5.608192262118104]
  162K人を対象に,2.5B時間以上のウェアラブルデータを用いた行動信号の基礎モデルを構築した。 本モデルでは,個人レベルの分類や時間変化による健康状態の予測など,さまざまな実世界のアプリケーションにまたがる高い性能を示す。
  論文  参考訳（メタデータ） (2025-06-30T19:01:00Z)
• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• QXAI: Explainable AI Framework for Quantitative Analysis in Patient Monitoring Systems [9.29069202652354]
  定量的分析のための説明可能なAI(QXAI)フレームワークは、回帰および分類タスクのポストホックモデル説明可能性と本質的な説明可能性によって提案される。 我々は,センサデータに基づく心拍数予測と身体活動の分類を行うために,人工ニューラルネットワーク (ANN) と注意に基づく双方向LSTM (BiLSTM) モデルを採用した。
  論文  参考訳（メタデータ） (2023-09-19T03:50:30Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Learning Generalizable Physiological Representations from Large-scale Wearable Data [12.863826659440026]
  意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。 その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。 本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T17:56:03Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。