論文の概要: PhysioBench: A Unified Benchmark for Physiological Signal Question Answering

• arxiv url: http://arxiv.org/abs/2609.20836v1
• Date: Wed, 29 Jul 2026 07:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.681292
• Title: PhysioBench: A Unified Benchmark for Physiological Signal Question Answering
• Title（参考訳）: PhysioBench: 生理的信号質問に対する統一ベンチマーク
• Abstract要約: 生理信号質問応答の統一ベンチマークであるPhyloBenchを紹介する。 PhysioBenchは、22の公開データセットから30タスクにわたる6140万の質問にアノテーションを調和させる。 自然言語の組み入れはタスク間の統一予測をサポートするが、性能は質問の定式化に敏感である。
• 参考スコア（独自算出の注目度）: 19.67165176769822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physiological signals support diverse clinical and monitoring tasks, yet existing physiological signal foundation models typically require task-specific adaptation for each task. Natural language provides a common interface for specifying different prediction objectives, but the ability of current models to follow such instructions across physiological signal modalities remains insufficiently evaluated. To address this gap, we introduce PhysioBench, a unified benchmark for physiological signal question answering. PhysioBench harmonizes annotations from 22 public datasets into 61.4 million questions across 30 tasks. Each question-answer pair is grounded in a signal segment and traceable to its source annotation. We evaluate 21 representative models, including large language models, vision-language models, time-series language models, and physiological signal foundation models under three complementary settings. The results show that none of the evaluated models achieves consistently strong performance across physiological signal modalities and tasks. The incorporation of natural language supports unified prediction across tasks, although performance remains sensitive to question formulation. Beyond these findings, PhysioBench offers an extensible platform for fine-grained analysis and future research on physiological signal understanding. Our codes are available at https://github.com/Leanna97/PhysioBench.
• Abstract（参考訳）: 生理的信号は様々な臨床およびモニタリングタスクをサポートするが、既存の生理的信号基盤モデルは、通常、各タスクにタスク固有の適応を必要とする。 自然言語は、異なる予測対象を特定するための共通のインターフェースを提供するが、現在のモデルが生理的信号モダリティを越えてそのような指示に従う能力は、まだ十分に評価されていない。 このギャップに対処するために,生理信号質問応答の統一ベンチマークであるPhyloBenchを導入する。 PhysioBenchは、22の公開データセットから30タスクにわたる6140万の質問にアノテーションを調和させる。 各問合せ対は信号セグメントに接地され、元のアノテーションにトレース可能である。 我々は,大規模言語モデル,視覚言語モデル,時系列言語モデル,生理的信号基盤モデルを含む21の代表的なモデルを,3つの相補的設定の下で評価する。 その結果,どのモデルも生理的信号のモダリティやタスクに対して一貫した強靭な性能は得られないことが示唆された。 自然言語の組み入れはタスク間の統一予測をサポートするが、性能は質問の定式化に敏感である。 これらの発見以外にも、PhyloBenchは微細な分析のための拡張可能なプラットフォームと、生理的信号理解に関する将来の研究を提供している。 私たちのコードはhttps://github.com/Leanna97/PhysioBench.comで公開されています。

関連論文リスト

• 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)
• 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)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Towards Robust Multimodal Physiological Foundation Models: Handling Arbitrary Missing Modalities [9.785262633953794]
  生理オムニ (Phylo Omni) は、マルチモーダルな生理的信号解析の基礎モデルである。 分離されたマルチモーダル・トークンーザを訓練し、マスクされた信号の事前訓練を可能にする。 最先端のパフォーマンスを達成しつつ、モダリティの欠如に対して強い堅牢性を維持します。
  論文  参考訳（メタデータ） (2025-04-28T09:00:04Z)
• Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals [2.370585289844609]
  本稿では,ウェアラブルセンシングデータから情報表現を抽出するための,最初のマルチモーダル・ユビキタス基盤モデルを提案する。 具体的には,センサ内およびセンサ間の両方の信号パターンを検出するための特別な連絡トークンを共用したチャネル認識型アテンション機構を設計する。 本モデルでは, メンタルヘルス, 身体状態推定, バイタルサイン推定, 疾患リスク評価など, 11のパブリックなウェアラブルセンシングデータセットに対して, 異常な一般化性を示す。
  論文  参考訳（メタデータ） (2024-12-12T23:35:18Z)
• Assessing Foundation Models' Transferability to Physiological Signals in Precision Medicine [0.0]
  この研究は、基礎モデルの医療的文脈における伝達能力を評価するための体系的なパイプラインを導入している。 まず、生理シミュレーションソフトウェアを利用して、多様な臨床的シナリオを生成する。 第2に、パイプラインは基礎モデルを通してこれらのシミュレートされた信号を投影し、埋め込みを取得し、線形手法を用いて評価する。 第3に、パイプラインは特定の下流医療タスクを通じてこれらの表現を検証する。
  論文  参考訳（メタデータ） (2024-12-04T16:17:09Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。