論文の概要: SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals
- arxiv url: http://arxiv.org/abs/2609.16804v1
- Date: Tue, 15 Sep 2026 08:11:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.401718
- Title: SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals
- Title（参考訳）: SOTER: ウェアラブルなヒト生理信号のための生成時系列基礎モデル
- Abstract要約: 本稿では, クロスチャネル結合, スペクトル誘導専門家専門化, および1つの事前学習フレームワーク内での連続潜時進化を統一するウェアラブル生理時系列生成基盤モデルSOTERを提案する。
我々は,5つの公開生理学的データセットから226億のタイムポイントを事前トレーニングし,分布外ゼロショット予測,フリーズエンコーダ線形プローブ分類,ウェアラブルベンチマークにおける連続的インキュベーションを含む,同じトレーニング済みモデルを評価する。
- 参考スコア（独自算出の注目度）: 29.86069351223442
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-series foundation models have demonstrated strong cross-domain transfer, yet their common architectural assumptions remain poorly aligned with wearable physiological signals, which are multichannel, irregularly sampled, noisy, and governed by coupled continuous-time dynamics spanning distinct spectral scales. We present SOTER, a generative foundation model for wearable physiological time series that unifies cross-channel coupling, spectrum-guided expert specialization, and continuous-time latent evolution within a single pre-training framework. SOTER combines a spatial feature-aware backbone that models inter-signal dependencies, a power spectral density (PSD)-guided mixture-of-experts layer that routes representations to experts associated with fixed spectral bands through an inspectable, non-learned rule, and a neural controlled differential equation decoder that supports prediction and imputation at arbitrary timestamps. We pre-train SOTER on 226 billion time points from five public physiological datasets and evaluate the same pre-trained model across out-of-distribution zero-shot forecasting, frozen-encoder linear-probe classification, and continuous-time imputation on wearable benchmarks. SOTER achieves the best RMSE on 4 of 6 datasets and the best MAE on 5 of 6 in zero-shot forecasting, the highest average Macro-AUROC in classification, and the lowest imputation error on all six datasets at 75% missingness. It further remains robust to additive acquisition noise, matching or surpassing baselines evaluated on clean inputs even under the strongest corruption. These results indicate that domain-specialized foundation models for wearable physiology benefit from jointly modeling channel structure, spectral scale, and continuous-time dynamics.
- Abstract（参考訳）: 時系列基礎モデルは、強いドメイン間移動を示すが、それらの一般的なアーキテクチャ上の仮定は、多チャンネル、不規則サンプリング、ノイズ、および異なるスペクトルスケールにまたがる結合した連続時間ダイナミクスによって制御される、ウェアラブルの生理的信号と整合性に乏しいままである。
本稿では, クロスチャネル結合, スペクトル誘導専門家専門化, および1つの事前学習フレームワーク内での連続潜時進化を統一するウェアラブル生理時系列生成基盤モデルSOTERを提案する。
SOTERは、信号間の依存関係をモデル化する空間的特徴認識バックボーンと、固定スペクトル帯域に関連する専門家に表現をルーティングするパワースペクトル密度(PSD)誘導混合専門家層と、任意のタイムスタンプでの予測と計算をサポートするニューラルネットワーク制御微分方程式デコーダを組み合わせる。
我々は,5つの公開生理学的データセットから226億のタイムポイントを事前トレーニングし,分布外ゼロショット予測,フリーズエンコーダ線形プローブ分類,ウェアラブルベンチマークにおける連続的インキュベーションを含む,同じトレーニング済みモデルを評価する。
SOTERは、6つのデータセットのうち4つで最高のRMSE、ゼロショット予測では6つのデータセットで最高のMAE、分類では最も平均的なマクロオーロック、75%の欠落で6つのデータセットで最低の計算誤差を達成している。
さらに、強い汚職の下でも、クリーンな入力に基づいて評価された付加的な取得ノイズ、マッチング、あるいはベースラインを超えることは、引き続き堅牢である。
これらの結果から, ウェアラブル生理学のドメイン特化基礎モデルは, チャネル構造, スペクトルスケール, 連続時間ダイナミクスを共同でモデル化することの利点が示唆された。
関連論文リスト
- MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。
MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。
クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
論文 参考訳（メタデータ） (2026-09-04T07:02:12Z) - TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。
モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
論文 参考訳（メタデータ） (2026-06-17T06:16:16Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。
MedMambaは線形計算複雑性を維持しながら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） (2026-05-24T09:23:39Z) - Unsupervised clustering and classification of upper limb EMG signals during functional movements: a data-driven [0.0]
本研究では,上肢表面筋電図(SEMG)信号の群集化と分類について,機能的リーチと把持動作における包括的アプローチを提案する。
信号前処理、フェースチャ抽出、階層クラスタリングによるジェスチャー選択、比較モデル評価を含む4段階のパイプラインが設計された。
この結果は筋電義歯の適応的低レイテンシ制御戦略の実装を支援し、将来のリアルタイムアプリケーションのためのスケーラブルなパイプラインを提供する。
論文 参考訳（メタデータ） (2026-05-20T01:23:21Z) - MedMamba: Recasting Mamba for Medical Time Series Classification [6.852021597208217]
心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。
本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。
我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
論文 参考訳（メタデータ） (2026-04-17T01:20:02Z) - Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。
本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。
火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-11T09:59:25Z) - WaveNet's Precision in EEG Classification [1.0885910878567457]
本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。
モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。
WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
論文 参考訳（メタデータ） (2025-10-10T09:21:21Z) - Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
論文 参考訳（メタデータ） (2025-09-08T10:54:04Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。
マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。
主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-03-11T11:40:14Z)
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。