論文の概要: Phenomenon-Graph JEPA: Label-Efficient Representation Learning for Contactless Cardiorespiratory Sensing
- arxiv url: http://arxiv.org/abs/2609.32928v1
- Date: Sat, 26 Sep 2026 20:38:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 11:54:27.312562
- Title: Phenomenon-Graph JEPA: Label-Efficient Representation Learning for Contactless Cardiorespiratory Sensing
- Title（参考訳）: Phenomenon-Graph JEPA:無接触心呼吸センシングのためのラベル効率のよい表現学習
- Abstract要約: Phenomenon-Graph JEPAは、負のペアや合成拡張を伴わない4つの処理された1次元ストリームから学習する。
プレトレーニング中、モデルは、同じ生理現象に割り当てられたストリームを接続するタイプ付きエッジに沿って、停止対象の埋め込みを予測する。
この研究は、予測表現の測定上の利点を、トレーニングの組織化に使用される生理的事前から切り離している。
- 参考スコア（独自算出の注目度）: 9.669984249536286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millimeter-wave (mmWave) radar and RGB-D cameras can record cardiac and respiratory waveforms continuously and without contact, but labeled recordings remain scarce because every label requires a supervised acquisition session. Self-supervised pretraining can exploit the unlabeled signals, yet contrastive methods depend on signal transformations and negative pairs whose validity is uncertain for cardiorespiratory data, where time warping changes breathing rate and distant windows can share the same physiological state. We present Phenomenon-Graph JEPA, a joint-embedding predictive architecture that learns from four processed one-dimensional streams without negative pairs or synthetic augmentation in its base configuration. Each stream is encoded by a temporal convolutional branch and a band-limited spectral branch. During pretraining, the model predicts stopped target embeddings along typed edges, which connect streams assigned to the same physiological phenomenon, and forward in time within a state episode. We treat this physiological typing as a testable hypothesis and compare it with wrong-edge and all-pairs prediction graphs. In the OMuSense-23 dataset, pretraining improves label-efficiency area over matched supervised training by 3.91 percentage points (95% interval 2.08 to 5.80, Holm-adjusted p = 0.006), and by 3.74 points under a second configuration evaluated on the same test participants. However, the wrong-edge and all-pairs controls do not establish a benefit from physiological typing. Optional Takens-inspired delay coordinates improve a validation comparison with learned history, whereas two wrist-only WESAD protocols do not establish a pretraining advantage. The study therefore separates the measured benefit of predictive representations from the physiological prior used to organize their training.
- Abstract（参考訳）: ミリ波レーダーとRGB-Dカメラは、心臓と呼吸の波形を連続的に、接触なく記録することができるが、ラベル付き記録は、すべてのラベルが監督された取得セッションを必要とするため、不足している。
自己監督型プレトレーニングは、ラベルのない信号を利用することができるが、対照的な方法は、呼吸速度の変化と遠方の窓が同じ生理状態を共有する場合の、循環呼吸データに対する妥当性が不確実な信号変換や負のペアに依存する。
Phenomenon-Graph JEPAは、負のペアや合成オーグメンテーションを伴わない4つの処理された1次元ストリームから学習する、共同埋め込み予測アーキテクチャである。
各ストリームは、時間的畳み込み分岐と帯域制限スペクトル分岐によって符号化される。
プレトレーニング中、モデルは、同じ生理現象に割り当てられたストリームを接続し、状態エピソード内で時間内に進行するタイプ付きエッジに沿って、停止対象の埋め込みを予測する。
我々は、この生理的タイピングを検証可能な仮説として扱い、誤ったエッジおよび全ペア予測グラフと比較する。
OMuSense-23データセットでは、事前トレーニングは、マッチした教師付きトレーニングに対するラベル効率領域を3.91パーセント(95%間隔2.08から5.80、ホルム調整されたp = 0.006)、同じテスト参加者で評価された第2構成下の3.74ポイント改善する。
しかし、間違ったエッジとオールペアのコントロールは、生理的タイピングの利点を確立できない。
任意のTakensにインスパイアされた遅延座標は、学習履歴との比較を改善する一方、2つの手首のみのWESADプロトコルは事前学習の優位性を確立していない。
この研究は、予測表現の測定上の利点を、トレーニングの組織化に使用される生理的先行と区別する。
関連論文リスト
- Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits [44.45620787098836]
心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は、心機能の定量化を支えている。
最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。
我々は、効率的な潜在軌道を学習し、EDローカライゼーションにおける技術の以前の状態を大幅に改善し、ESローカライゼーションにおいて、より制約のある表現とより少ないトレーニングエポックを用いて、それをマッチングする。
論文 参考訳（メタデータ） (2026-09-10T14:56:16Z) - The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning [0.8411385346896411]
心電図(ECG)モデルは、しばしば数秒間の心電図信号に基づいて訓練される。
これらの選択がリズム推定や時間的整合性に必要な情報を犠牲にしているかどうかは不明である。
我々はIcentia11kシングルリードデータセットについて制御された研究を行った。
論文 参考訳（メタデータ） (2026-08-13T01:18:39Z) - Test Time Adaptation Methods for Point Cloud Registration in Laparoscopic Surgery [18.559106652371813]
腹腔鏡下手術における3Dポイントクラウドの登録は,ビデオから再建した術中臓器と術前メッシュとの変換を推定する。
テスト時の適応はこのドメインシフトを減らすことができるが、既存のメソッドは主に、ログ、エントロピー、クラスプロトタイプ、または登録時に利用できないキャッシュメモリに依存している。
我々は3つのファミリからモデル、正規化、入力適応の3次元登録まで、最先端のTTA手法を分析し、修正する。
論文 参考訳（メタデータ） (2026-08-03T21:11:13Z) - STAG-CN: Spatio-Temporal Apiary Graph Convolutional Network for Disease Onset Prediction in Beehive Sensor Networks [0.0]
ハチのコロニーの被害は世界の受粉サービスを脅かすが、現在の監視システムはそれぞれの巣を孤立した単位として扱う。
本稿では,病気発生予測のための階層間関係をモデル化するグラフニューラルネットワークである,時空間グラフ畳み込みネットワーク(STAG-CN)を紹介する。
論文 参考訳（メタデータ） (2026-03-15T16:13:01Z) - SS-DPPN: A self-supervised dual-path foundation model for the generalizable cardiac audio representation [2.013977297550879]
Self-Supervised Dual-Path Prototypeal Network (SS-DPPN)は、心臓のオーディオ表現とラベルなしデータからの分類のための基礎モデルである。
SS-DPPNは4つの心臓オーディオベンチマークで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） (2025-10-12T17:43:57Z) - Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。
近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。
最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
論文 参考訳（メタデータ） (2025-09-25T23:46:39Z) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z)
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。