論文の概要: Does the Heart Show Your Pain? Tackling the X-ITE Pain Challenge with Self-Supervised ECG Representation Learning

• arxiv url: http://arxiv.org/abs/2608.14662v1
• Date: Sat, 01 Aug 2026 01:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.950368
• Title: Does the Heart Show Your Pain? Tackling the X-ITE Pain Challenge with Self-Supervised ECG Representation Learning
• Title（参考訳）: 心臓は痛みを示すか? 自己監督型心電図表現学習によるX-ITE痛み問題に取り組む
• Abstract要約: 一過性心電図(ECG)における自己教師あり表現学習(SSL)法の検討 我々は,X-ITE Pain データセットの低値と中値のレベルを分類することに焦点を当てた。 本研究は, モデル性能における物体間変動の顕著な変化を観察し, 痛覚関連心電図パターンが主観的特有である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.5926203312586108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate recognition of pain using physiological signals remains a challenging problem due to pain's subjective nature and high inter-individual variability. In this study, we investigate self-supervised representation learning (SSL) methods applied to unimodal electrocardiogram (ECG), complemented by multimodal pretraining, including accelerometer (ACC) signals from the chest. We focus on classifying low versus medium pain levels on the X-ITE Pain dataset. Our results reveal that while ECG-based models show limited classification performance, multimodal pretraining improves learned representations by capturing cross-modal dependencies. Notably, we observe substantial inter-subject variability in model performance, suggesting that pain-related ECG patterns may be subject-specific. Visualizations indicate distinct subject-specific clustering but no clear separation by pain levels, highlighting the complexity of pain detection from ECG alone. We discuss limitations of unimodal input, label noise, and generalization across subjects and propose future directions. This work advances the understanding of physiological signal representation learning for pain recognition and sets the stage for more robust, clinically relevant wearable pain monitoring solutions.
• Abstract（参考訳）: 生理的信号を用いた痛みの正確な認識は、痛みの主観的性質と個人間の多様性が高いため、依然として困難な問題である。 本研究では,単回心電図(ECG)に応用した自己教師型表現学習(SSL)法について検討した。 我々は,X-ITE Pain データセットの低値と中値のレベルを分類することに焦点を当てた。 本結果から,ECGに基づくモデルでは分類性能が制限されているが,マルチモーダル事前学習は,相互依存を捉えることによって学習表現を改善することがわかった。 特に, モデル性能における物体間変動が顕著であり, 痛覚関連心電図パターンが主観的である可能性が示唆された。 可視化は、個別のクラスタリングを示すが、痛みレベルによる明確な分離はなく、心電図のみからの痛み検出の複雑さを強調している。 本稿では,単音節入力の制限,ラベルノイズ,主題間の一般化について論じ,今後の方向性を提案する。 この研究は、痛み認識のための生理的信号表現学習の理解を促進し、より堅牢で臨床的に関連するウェアラブルの痛みモニタリングソリューションのステージを設定する。

関連論文リスト

• A Unified Tokenization Framework for Pain Recognition using Heterogeneous 3D Modalities [37.393441596436666]
  本研究では、痛み認識における不均一な3次元モダリティのための統一トークン化フレームワークを提案する。 このフレームワークは、多様な入力を共有トークン空間にマッピングしながら、空間、時間、時間周波数構造を保存する。 AI4Painベンチマークデータセットでは、提案されたフレームワークが最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-22T03:35:12Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy [37.81373064028234]
  コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。 本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-04-13T11:56:43Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Tracing the Heart's Pathways: ECG Representation Learning from a Cardiac Conduction Perspective [23.944422144809234]
  心電図自己教師学習(eSSL)の最近の進歩は、表現学習の強化の見通しを明るくしている。 本稿では,リード間の心伝導の微妙な変化を捉えるための2段階フレームワークであるCLEAR-HUGを提案する。 6つのタスクの実験的結果は6.84%改善され、CLEAR-HUGの有効性が検証された。
  論文  参考訳（メタデータ） (2025-12-30T05:46:48Z)
• Trial-Level Time-frequency EEG Desynchronization as a Neural Marker of Pain [0.0]
  痛みは依然として最も強い健康上の課題の1つだが、その測定は依然として自己申告に大きく依存している。 EEGは、侵害受容処理の再現可能なマーカーを特定するための有望な道を提供する。 電気刺激を受けた健常者59名を対象に,高密度脳波解析を行った。
  論文  参考訳（メタデータ） (2025-09-09T09:19:23Z)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• Towards Generalizable Learning Models for EEG-Based Identification of Pain Perception [1.718323575065371]
  本研究では,幅広い機械学習モデルの参加者間一般化の性能を体系的に評価する。 従来のモデルは内部から参加者間のパフォーマンスに最大の低下を経験し、ディープラーニングモデルはより弾力性があることを証明した。 性能の変動性は高いが、グラフベースのモデルによる強い結果は、脳波信号の主観的不変構造を捉える可能性を強調している。
  論文  参考訳（メタデータ） (2025-08-12T09:57:32Z)
• CardioPatternFormer: Pattern-Guided Attention for Interpretable ECG Classification with Transformer Architecture [0.40964539027092906]
  解釈可能なECG分類のためのトランスフォーマーモデルであるCardioPatternFormerを提案する。 多様な心臓パターンを正確に識別し分類するために、洗練された注意機構を用いる。 微妙な異常を識別し、複数の共起条件を識別する。
  論文  参考訳（メタデータ） (2025-05-26T19:36:58Z)
• AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
  心電図(ECG)は急性心臓発作の検出に非常に敏感である。 本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
  論文  参考訳（メタデータ） (2024-11-17T17:32:58Z)
• Text-to-ECG: 12-Lead Electrocardiogram Synthesis conditioned on Clinical Text Reports [6.659609788411503]
  本稿では,ECG出力を生成するためにテキスト入力を使用するテキスト・ツー・ECGタスクを提案する。 本稿では,12個の心電図を合成する自動回帰生成モデルAuto-TTEを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:58:38Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Non-contact Pain Recognition from Video Sequences with Remote Physiological Measurements Prediction [53.03469655641418]
  痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。 我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
  論文  参考訳（メタデータ） (2021-05-18T20:47:45Z)

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。