論文の概要: CardioFusion-AI: Robust ECG--PPG Fusion for Multimodal Physiological Monitoring Under Signal Degradation

• arxiv url: http://arxiv.org/abs/2608.26000v1
• Date: Wed, 26 Aug 2026 16:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.914032
• Title: CardioFusion-AI: Robust ECG--PPG Fusion for Multimodal Physiological Monitoring Under Signal Degradation
• Title（参考訳）: 心電図-AI:ロバスト心電図-PPG核融合による信号劣化時のマルチモーダル生理学的モニタリング
• Abstract要約: ウェアラブル心電図(ECG)と光胸波センサ(modal)は相補的ではあるが個別に脆弱である。 両方のモダリティが等しく信頼に値すると仮定する融合戦略は、分解中の単一のクリーンなモダリティよりも信頼性が低い。 本稿では,R-peakとsystolic-peakを含む信号処理フロントエンドであるCardioFusion-AI,Orphanidou型信号品質指標,ビート・バイ・ビートパルス遷移時間推定について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable electrocardiogram (ECG) and photoplethysmogram (PPG) sensors are complementary but individually fragile: motion artifact, poor contact, and sensor dropout can degrade one or both signals. Fusion strategies that assume both modalities are equally trustworthy can become less reliable than a single clean modality under degradation. We present CardioFusion-AI, a framework whose signal-processing front end, including R-peak and systolic-peak detection, an Orphanidou-type signal-quality index, and beat-by-beat pulse transit time estimation, is validated on 53 real intensive-care recordings (848 windows; heart-rate mean absolute error 1.61 bpm for ECG and 2.78 bpm for PPG) and a real annotated fetal ECG database (R-peak F1 0.89-0.98). We then conduct a controlled synthetic degradation study comparing eight ECG-PPG fusion strategies across six degradation regimes spanning graded corruption and complete modality loss, using five independent training seeds. Attention fusion achieved the lowest descriptive overall error (1.66+/-0.43 bpm). Both adaptive gates reallocated weight toward the healthy modality under complete modality loss, but showed near-zero correlation between gate weight and signal quality under graded degradation (r = 0.10-0.24). Signal-quality conditioning produced a specific improvement under missing-PPG conditions (1.56+/-0.59 bpm), approaching the 1.48 bpm unimodal ceiling. With only five training seeds, no pairwise comparison survives Holm-corrected significance testing; effect sizes and confidence intervals are therefore reported. These results indicate that modality availability and modality quality are functionally distinct problems for adaptive fusion.
• Abstract（参考訳）: ウェアラブル心電図(ECG)と光胸腺図(PPG)センサーは相補的ではあるが個別に脆弱である。 両方のモダリティが等しく信頼に値すると仮定する融合戦略は、分解中の単一のクリーンなモダリティよりも信頼性が低い。 R-peak と systolic-peak 検出,Orphanidou 型信号品質指標,ビートバイビートパルストランジット時間推定などの信号処理を行うフレームワークである CardioFusion-AI を,53 個の実心集中治療記録 (848 ウィンドウ,心拍平均絶対誤差 1.61 bpm,PSG 2.78 bpm) と実心電図データベース (R-peak F1 0.89-0.98) で検証した。 次に,5つの独立した訓練種子を用いて,次級汚損と完全モダリティ損失にまたがる6つの劣化過程におけるECG-PPG融合戦略を比較検討した。 注意融合は、最も低い記述的全体的な誤差(1.66+/-0.43 bpm)を達成した。 2つの適応ゲートは、完全なモダリティ損失下での健全なモダリティに対して重みを再配置するが、グレード劣化(r = 0.10-0.24)下でのゲートウェイトと信号品質のほぼゼロの相関を示した。 信号品質の条件付けは、欠落したPPG条件(1.56+/-0.59bpm)の下で特定の改善を行い、1.48bpmの単調な天井に近づいた。 訓練種子は5種のみで、ホルム補正された重要度試験はペアで比較されず、効果の大きさと信頼区間が報告される。 これらの結果から,適応核融合において,モダリティの可用性とモダリティの品質は機能的に異なる問題であることが示唆された。

関連論文リスト

• CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals [0.7739635712759623]
  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。
  論文  参考訳（メタデータ） (2026-08-07T20:48:49Z)
• PhysAgent: A Multi-Agent Framework for Reliable Remote Heart Rate Estimation [40.05930520726773]
  Photoplethysは、顔ビデオから非接触型心拍数推定を可能にする。 現在の方法は、心拍数や脈波を直接予測する単一のモデルに依存している。 推論時マルチエージェントモデルであるPhysAgentを提案する。
  論文  参考訳（メタデータ） (2026-07-29T02:49:24Z)
• Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation [0.0]
  不完全長手EHRによる治療効果推定のための2段階パイプラインを提案する。 CaulFlow-Tは、長期記憶(LSTM)を符号化した患者履歴を持つ、DAGに制約された正規化フローである。 CaulFlow-Tは、正確な非可逆逆推論を行い、変分推論からの近似誤差を回避し、明示的な因果構造を通して共起を分離する。
  論文  参考訳（メタデータ） (2026-05-06T16:53:08Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• 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)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• 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)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• 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 Novel Deep Learning Technique for Morphology Preserved Fetal ECG Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
  非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。 fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。 本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。 胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
  論文  参考訳（メタデータ） (2023-09-25T19:38:51Z)

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。