Fugu-MT 論文翻訳(概要): CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals

論文の概要: CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals

arxiv url: http://arxiv.org/abs/2608.07759v1
Date: Fri, 07 Aug 2026 20:48:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.498965
Title: CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals
Title（参考訳）: CFD誘導によるマルチモーダル生理信号における概念ドリフトの検出
Abstract要約: 心臓血管型AIモデルは、クリーンな心電図(ECG)信号を分類することができるが、実際のウェアラブル信号は、運動、呼吸、姿勢、センサー接触、そして真の臨床劣化によって変化する。本稿では、モデルをいつ予測し、変更し、不確実性をフラグするべきかを問う。本稿では, モデル内の変化と信号の計測可能な変化を比較する, PECSと呼ばれる生理的安定性の枠組みを提案する。
参考スコア（独自算出の注目度）: 0.7739635712759623
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cardiovascular AI models can classify clean elec- trocardiogram (ECG) signals, but real wearable signals change because of motion, breathing, posture, sensor contact, and true clinical deterioration. This paper asks when a model should keep its prediction, change it, or flag uncertainty. We propose a physiologic stability framework, called PECS, that compares changes inside the model with measurable changes in the signal. ECG is treated as the main cardiac signal, photoplethysmography (PPG) adds pulse and vascular information, and respiration is used only when ECG and PPG disagree. We test the framework on PTB-XL at pilot and full scales and on synchronized BIDMC and MIMIC waveform cohorts. The PTB-XL pilot and full- scale analyses selected different domain pairs, and the strongest cross-modal pair also changed across BIDMC and MIMIC, showing that adding every available signal is not always the best choice. PECS outperformed the evaluated drift-detection baseline implementations, reaching drift classification accuracy (DCA) of 0.8786 on expanded BIDMC and 0.9560 on MIMIC. The MIMIC results also showed that respiration can help during disagreement cases, but it should be used selectively rather than as an automatic override. Overall, the results support PECS as a candidate monitoring framework for wearable cardiovascular AI while highlighting the need for scale-aware domain selection and interpretable trust routing
Abstract（参考訳）: 心臓血管型AIモデルは、クリーンな心電図(ECG)信号を分類することができるが、実際のウェアラブル信号は、運動、呼吸、姿勢、センサー接触、そして真の臨床劣化によって変化する。本稿では、モデルをいつ予測し、変更し、不確実性をフラグするべきかを問う。本稿では, モデル内の変化と信号の計測可能な変化を比較する, PECSと呼ばれる生理的安定性の枠組みを提案する。心電図はメインの心臓信号として扱われ、光胸腺造影(PPG)は脈波と血管情報を付加し、心電図とPSGが一致しない場合にのみ呼吸が使用される。 PTB-XLをパイロットおよびフルスケール、および同期BIDMCおよびMIMIC波形コホートで試験する。 PTB-XLパイロットとフルスケール分析は異なるドメインペアを選択し、最強のクロスモーダルペアはBIDMCとMIMICにまたがって変化し、利用可能なすべての信号を追加することが必ずしもベストな選択ではないことを示した。 PECSは評価されたドリフト検出ベースライン実装を上回り、拡張BIDMCで0.8786、MIMICで0.9560のドリフト分類精度に達した。 MIMICの結果は, 呼吸が不一致症例に有効であることを示したが, 自動オーバーライドとしてではなく, 選択的に使用すべきである。全体としては、PECSをウェアラブル心血管系AIの監視フレームワークとしてサポートし、スケールアウェアなドメイン選択と解釈可能な信頼ルーティングの必要性を強調した。

関連論文リスト

Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-09-08T16:33:07Z)
Test-Time Adaptation for ECG Classification via SQI-Gated Self-Training and Beat-Rhythm Consistency [23.899678708493088]
テスト時間適応(TTA)は、推論時にラベルのないデータのみを使用してモデルを適用することで、実用的なソリューションを提供する。本稿では,ECGのノイズ観測と,ドメインシフト下での構造的ビートリズムセマンティクスを明示的に考慮した,ECG対応TTAフレームワークであるBeatRhythm-TTAを提案する。
論文参考訳（メタデータ） (2026-08-24T14:59:27Z)
Motif-based morphology signatures for interpretable ECG screening and monitoring [0.2578242050187029]
本稿では,拍動対応心電図モチーフを心電図の解釈可能なシグネチャとして定義するモチーフベースのフレームワークを提案する。本稿では,通常の正弦律からの偏差,個人化ベースラインからの偏差,モチーフ不安定指数の3つの解釈可能なドリフト指標を紹介する。我々は,これらの指標を,短期(PTB-XL)と長期(MIT-BIH Arrhythmia)のECGデータセットで評価した。
論文参考訳（メタデータ） (2026-05-26T16:15:07Z)
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)
ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation [1.7152890789230053]
深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
論文参考訳（メタデータ） (2026-02-10T09:17:29Z)
Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-27T02:27:10Z)
FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2025-09-10T19:48:07Z)
Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
論文参考訳（メタデータ） (2025-05-28T12:45:39Z)
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)
KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文参考訳（メタデータ） (2024-10-28T16:00:42Z)
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)
A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。