論文の概要: Learning Human Health and Diseases from 24-hour Wrist Movement
- arxiv url: http://arxiv.org/abs/2608.29494v1
- Date: Sun, 30 Aug 2026 01:13:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.983602
- Title: Learning Human Health and Diseases from 24-hour Wrist Movement
- Title（参考訳）: 24時間ストレッチ運動からヒトの健康と病気を学ぶ
- Abstract要約: 本研究では,3軸式手首運動24時間から直接,汎用的な健康表現を学習する自己指導型基礎モデルであるSensoryを提案する。
我々は、イギリス、中国、米国から4つの人口ベースコホートにまたがるモデルを開発し、評価した。
- 参考スコア（独自算出の注目度）: 12.610617874737635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Much of human health and function unfolds beyond the clinic, through the movements of everyday life. Wrist-worn accelerometers capture these movements continuously, yet their rich signals are often reduced to a small set of predefined behavioural summary measures. Here, we present Sensori, a self-supervised foundation model that learns general-purpose health representations directly from 24 hours of raw tri-axial wrist movement. We developed and evaluated the model across four population-based cohorts from the United Kingdom, China and the United States, comprising 122,640 participants contributing 683,617 person-days of free-living recordings. Sensori condensed each day of movement into a representation that captured diverse movement behaviours, demographic characteristics, health axes and physical function. Evaluation in independent cohorts showed that these representations generalised across populations and measurement settings without retraining. When added to common clinical covariates, Sensori significantly improved prevalent disease classification for 52 of 102 eligible conditions (median delta AUROC, 0.060; range, 0.012-0.242) and incident disease risk prediction for 26 of 87 eligible conditions (median delta Uno's C-index, 0.064; range, 0.025-0.172), with the largest gains for neurological and psychiatric disorders. These findings establish 24-hour wrist movement as a rich and scalable source of health information, with the potential to support passive health monitoring and disease prediction at population scale.
- Abstract（参考訳）: 人間の健康と機能の多くは、日々の生活の動きを通じて、クリニックを超えて広がります。
リストウーンの加速度計は、これらの動きを連続的に捉えるが、そのリッチな信号はしばしば、定義済みの行動要約尺度の小さなセットに還元される。
本稿では,24時間の生三軸手首運動から,汎用的な健康表現を直接学習する,自己指導型基礎モデルであるSensoryを提案する。
調査では,英国,中国,米国から4つの人口ベースコホートを対象とし,122,640人の参加者が683,617人の個人記録を作成した。
センセーリは毎日の動きを凝縮し、多様な運動行動、人口動態、健康軸、身体機能などを捉えた。
独立コホートでの評価では、これらの表現は集団全体にわたって一般化され、測定設定は再訓練せずに行われた。
一般的な臨床検体に加えると、Sensoriは102例中52例(中型デルタAUROC,0.060;範囲0.012-0.242)と87例中26例(中型デルタUno's C-index,範囲0.064;範囲0.025-0.172)の疾患分類を有意に改善し、神経学的および精神疾患の最大の増加率を示した。
これらの知見は、24時間手首運動を健康情報の豊かでスケーラブルな情報源として確立し、人口規模での受動的健康モニタリングと疾患予測を支援する可能性を秘めている。
関連論文リスト
- Geospatial Foundation Models Capture Health-Relevant Dimensions of Place Beyond Conventional Social Risk Indices [1.233122988113145]
地理空間基盤モデルは、従来の社会的リスク指標に代表されない場所の健康関連の特徴を捉えている。
健康上の結果については、社会的リスク指標によって説明されていないばらつきの最大54%が説明されている。
論文 参考訳（メタデータ） (2026-09-10T15:16:15Z) - Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。
7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。
HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
論文 参考訳（メタデータ） (2026-04-30T14:10:30Z) - Privacy-Preserving Sensor-Based Human Activity Recognition for Low-Resource Healthcare Using Classical Machine Learning [1.0312968200748118]
医療インフラへのアクセスは限られており、高齢者や脆弱な患者は在宅医療に頼らざるを得ない。
ウェアラブル慣性センサと機械学習に基づく低コストで自動化されたヒューマンアクティビティ認識フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T19:35:02Z) - Discovering Transmission Dynamics of COVID-19 in China [7.360951660622174]
本研究では,中国におけるSARS-CoV-2送信パターンについて,公開追跡データを用いて検討する。
その結果、大きな都市では感染が増加し、おそらくは社会活動によって引き起こされると考えられる地域差が顕著に見られた。
論文 参考訳（メタデータ） (2025-12-28T05:10:15Z) - Age Group Discrimination via Free Handwriting Indicators [5.1076370934189255]
弱さは、進歩的な健康の低下、ストレスに対する脆弱性の増大、死亡のリスクの増加によって特徴づけられる。
欠陥を評価するための普遍的に受け入れられる方法が欠如し、標準化された定義が重要な研究ギャップを浮き彫りにしている。
本研究は,器用インクペンを用いて,年齢群分類のための手書き文字の評価を行う革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-09-29T11:44:18Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳（メタデータ） (2022-07-26T02:08:08Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳（メタデータ） (2021-10-19T11:45:01Z) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳（メタデータ） (2020-12-22T17:02:54Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。
一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
論文 参考訳（メタデータ） (2020-06-23T03:36:19Z) - A Malaria Control Model Using Mobility Data: An Early Explanation of
Kedougou's Case in Senegal [1.2599533416395767]
本論文は, 訪問する地域の移動性や特徴に依存する, 個人状態の日々の進化に依拠するモデルを提案する。
その結果,ケドゥグウ地域での疾患管理の失敗に関する知見を提供する上で,モデルがいかに有望かが示唆された。
論文 参考訳（メタデータ） (2020-04-12T12:44:45Z)
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。