論文の概要: Interpretable Stress Detection from ECG Signals Using Motif-Based Anomaly Analysis

• arxiv url: http://arxiv.org/abs/2609.22179v1
• Date: Thu, 27 Aug 2026 06:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.759087
• Title: Interpretable Stress Detection from ECG Signals Using Motif-Based Anomaly Analysis
• Title（参考訳）: モチーフに基づく異常解析を用いた心電図信号からの解釈可能な応力検出
• Abstract要約: 心電図(ECG)信号を用いたストレス検出のための,解釈可能な,パーソナライズされたフレームワークを提案する。 提案手法は,複数の被験者のストレスを効果的に検出し,明瞭な解釈性を提供する。 しかし、生理的反応の違いにより、個人によってパフォーマンスは異なる。
• 参考スコア（独自算出の注目度）: 4.417564179511245
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stress detection using physiological signals has gained significant attention due to its impact on both physical and mental health. While existing approaches based on machine learning and deep learning achieve strong predictive performance, they often rely on black-box models and fail to capture individual variability in physiological responses. In this work, we propose an interpretable and personalized framework for stress detection using electrocardiogram (ECG) signals based on motif discovery and Matrix Profile analysis. Instead of training a classifier, the method learns subject-specific baseline cardiac behavior by extracting recurring heartbeat patterns (motifs) from ECG signals. Stress is then detected as a deviation from these baseline patterns using a distance-based anomaly score. Experiments are conducted on the WESAD dataset using a carefully designed train-validation-test protocol to ensure reliable evaluation. The results show that the proposed approach can effectively detect stress for several subjects while providing clear interpretability through direct comparison of ECG patterns. However, the performance varies across individuals due to differences in physiological responses, with some subjects exhibiting minimal morphological changes under stress. Additional analysis incorporating heart rate variability (HRV) features reveals that while HRV can improve performance in certain cases, its contribution is not consistent across all subjects. These findings highlight the importance of personalization and interpretability in physiological stress detection and demonstrate that motif-based approaches provide a meaningful alternative to black-box models, while also revealing inherent limitations due to inter-subject variability.
• Abstract（参考訳）: 生理的信号を用いたストレス検出は、身体的・精神的な健康への影響から注目されている。 機械学習とディープラーニングに基づく既存のアプローチは強い予測性能を達成するが、ブラックボックスモデルに依存し、生理的反応における個々の変動を捉えないことが多い。 本研究では,モチーフ発見とマトリックスプロファイル解析に基づく心電図(ECG)信号を用いたストレス検出のための,解釈可能かつパーソナライズされたフレームワークを提案する。 分類器を訓練する代わりに、心電図信号から頻繁な心拍パターン(モチーフ)を抽出することにより、主観固有の心臓活動を学ぶ。 次に、距離に基づく異常スコアを用いて、これらのベースラインパターンからのずれとして応力が検出される。 WESADデータセット上で、信頼性の高い評価を保証するために、慎重に設計されたトレインバリデーションテストプロトコルを用いて実験を行う。 提案手法は,心電図パターンを直接比較することにより,複数の被験者のストレスを効果的に検出できることを示す。 しかし、生理的反応の違いにより個人によってパフォーマンスは異なり、一部の被験者はストレス下では最小の形態変化を示す。 心拍変動(HRV)機能を取り入れた追加分析により、HRVは特定の症例でパフォーマンスを向上させることができるが、その寄与は全被験者で一致しないことが明らかとなった。 これらの知見は、生理的ストレス検出におけるパーソナライズと解釈可能性の重要性を強調し、モチーフベースのアプローチがブラックボックスモデルに有意義な代替手段を提供する一方で、オブジェクト間の変動性による固有の制限を明らかにしていることを示す。

関連論文リスト

• Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
  軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T16:33:07Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• Cross-Modality Investigation on WESAD Stress Classification [0.0]
  本研究では、WESADデータセットを用いたストレス検出のためのトランスフォーマーモデル、心電図(ECG)、心電図(EDA)、筋電図(EMG)、呼吸速度(RESP)、温度(TEMP)、3軸加速度計(ACC)信号のトレーニングを開発した。 その結果, 単モード変圧器による生理的信号の解析, 精度, 精度およびリコール値が99.73%$から99.95%$の範囲で達成された。
  論文  参考訳（メタデータ） (2025-02-26T01:04:58Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Non-linear Analysis Based ECG Classification of Cardiovascular Disorders [2.474908349649168]
  マルチチャネル心電図に基づく心疾患の検出は、心臓ケアと治療に影響を及ぼす。 本研究では,Recurrenceプロットの可視化を利用した非線形解析手法について報告する。 QRS複合体のようなよく定義された構造のパターン化は、再帰プロットを用いて効果的に利用することができる。
  論文  参考訳（メタデータ） (2024-08-02T19:03:53Z)
• Stressor Type Matters! -- Exploring Factors Influencing Cross-Dataset Generalizability of Physiological Stress Detection [5.304745246313982]
  本研究では,2次応力検出のためのHRV機能に基づいて学習した機械学習モデルの一般化可能性について検討する。 以上の結果から,モデル一般化可能性に重要な因子であるストレスタイプが示唆された。 我々は、新しい環境にHRVベースのストレスモデルを展開する際に、ストレスタイプをマッチングすることを推奨する。
  論文  参考訳（メタデータ） (2024-05-06T14:47:48Z)
• Investigating the Generalizability of Physiological Characteristics of Anxiety [3.4036712573981607]
  不安やストレスと高覚醒感情との関連が示された生理的特徴の一般化可能性を評価する。 この研究は、心電図やEDA信号からストレスと覚醒を横断する最初のクロスコーパス評価であり、ストレス検出の一般化性に関する新たな発見に寄与した。
  論文  参考訳（メタデータ） (2024-01-23T16:49:54Z)
• 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)
• Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
  多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。 これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
  論文  参考訳（メタデータ） (2023-04-13T03:20:45Z)
• 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。