論文の概要: PI-AMFM: Permutation-Invariant Learning for Variable-Cardinality AM-FM Mode Decomposition in Biomedical Signal Analysis
- arxiv url: http://arxiv.org/abs/2610.00819v1
- Date: Wed, 30 Sep 2026 23:24:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.802635
- Title: PI-AMFM: Permutation-Invariant Learning for Variable-Cardinality AM-FM Mode Decomposition in Biomedical Signal Analysis
- Title（参考訳）: PI-AMFM:生体信号解析における可変カーディナリティAM-FMモード分解のための置換不変学習
- Abstract要約: 本稿では,可変値AM-FMモード分解のための置換不変ニューラルネットワークフレームワークを提案する。
合成信号では, PI-AMFMは低分解, 瞬時周波数, 再構成, モード数誤差を達成した。
これらの結果から, PI-AMFMが非定常生医学信号の変動心電図分解に有効である可能性が示唆された。
- 参考スコア（独自算出の注目度）: 6.084020319421172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physiological recordings often contain nonstationary oscillatory components whose number and dynamics vary across signals. Amplitude- and frequency-modulated (AM-FM) representations are well suited to characterizing such dynamics and have shown broad utility in biomedical signal analysis. Recent approaches have incorporated neural networks to learn mode decomposition patterns from data, but component cardinality is often predefined or determined through separate stopping or selection mechanisms. We propose a permutation-invariant neural framework for variable-cardinality AM-FM mode decomposition (PI-AMFM). PI-AMFM combines a multiscale temporal encoder, Mamba backbone, and component-presence estimation, with permutation-invariant Hungarian matching during training. On synthetic AM-FM signals, PI-AMFM achieved lower decomposition, instantaneous-frequency, reconstruction, and mode-count errors than the compared methods while preserving the overall trajectory pattern in a crossing-chirp example. On photoplethysmographic recordings, recovered modes captured cardiac and respiratory dynamics despite training only on synthetic signals. These results support the feasibility of PI-AMFM for variable-cardinality decomposition of nonstationary biomedical signals.
- Abstract（参考訳）: 生理的記録は、信号によって数とダイナミクスが異なる非定常振動成分を含むことが多い。
振幅および周波数変調(AM-FM)表現は、そのような力学の特徴付けに適しており、生体信号解析において幅広い有用性を示している。
近年のアプローチでは、データからモード分解パターンを学ぶためにニューラルネットワークが組み込まれている。
本稿では,変動型AM-FMモード分解(PI-AMFM)のための置換不変ニューラルネットワークフレームワークを提案する。
PI-AMFMは、マルチスケールのテンポラルエンコーダ、Mambaバックボーン、コンポーネントプレゼンス推定と、トレーニング中に置換不変のハンガリー語マッチングを組み合わせる。
合成AM-FM信号において、PI-AMFMは、クロスチャープの例で全体の軌道パターンを保ちながら、比較法よりも分解、即時周波数、再構成、モード数誤差を小さくした。
光胸腺撮影では, 人工信号のみの訓練にもかかわらず, 心・呼吸動態が回復した。
これらの結果から, PI-AMFMが非定常生医学信号の変動心電図分解に有効である可能性が示唆された。
関連論文リスト
- Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。
メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。
これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
論文 参考訳（メタデータ） (2026-09-08T01:21:46Z) - Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification [11.757645382221854]
fMRIは、血液酸素レベル依存係数(BOLD)信号を経時的に測定することで、非侵襲的な脳活動へのアクセスを提供する。
fMRIの資源集約性は、データ駆動分析モデルに必要な高忠実度サンプルの入手を制限している。
本稿では,スペクトルフローマッチングを用いたBOLD信号の二重周波数表現を行う新しいfMRI生成フレームワークであるDSpec(Dual-temporaltral Flow Matching)を提案する。
論文 参考訳（メタデータ） (2026-05-28T09:12:45Z) - FreqPhys: Repurposing Implicit Physiological Frequency Prior for Robust Remote Photoplethysmography [54.32412212867472]
Photoplethysmographyは、ビデオから肌の色の変化を微妙に捉え、接触のない生理的モニタリングを可能にする。
FreqPhysは、シグナル回復のために生理的頻度事前を明示的に活用する周波数誘導リレーションフレームワークである。
これは、特に挑戦的な運動条件下で、最先端のアプローチよりも大幅に改善される。
論文 参考訳（メタデータ） (2026-04-01T06:25:42Z) - Multiparameter Uncertainty Mapping in Quantitative Molecular MRI using a Physics-Structured Variational Autoencoder (PS-VAE) [0.0]
本稿では,物理構造を持つ変分オートエンコーダ(PS-VAE)について述べる。
本法は, マルチプロトンプール化学交換飽和輸送 (CEST) および半固体磁化移動 (MT) 分子MRF法で検証した。
論文 参考訳（メタデータ） (2026-02-03T09:46:55Z) - T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。
ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
論文 参考訳（メタデータ） (2025-09-25T07:08:19Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - A Multi-Resolution Physics-Informed Recurrent Neural Network:
Formulation and Application to Musculoskeletal Systems [1.978587235008588]
本研究は筋骨格運動(MSK)の同時予測のための物理インフォームド・リカレントニューラルネットワーク(MR PI-RNN)を提案する。
提案手法は、高速ウェーブレット変換を用いて、混合周波数入力sEMGを分解し、ジョイントモーション信号をネスト多重解像度信号に出力する。
このフレームワークはまた、被験者の運動学データと生理的に整合した筋肉パラメータを識別することも可能である。
論文 参考訳（メタデータ） (2023-05-26T02:51:39Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - Mixed Variable Bayesian Optimization with Frequency Modulated Kernels [96.78099706164747]
異なる種類の変数間の依存性を柔軟にモデリングする周波数変調(FM)カーネルを提案する。
BO-FMは正規化進化(RE)およびBOHBを含む競争相手を上回ります。
論文 参考訳（メタデータ） (2021-02-25T11:28:46Z) - Theory inspired deep network for instantaneous-frequency extraction and
signal components recovery from discrete blind-source data [1.6758573326215689]
本稿では、未知の信号成分を回収する逆問題と周波数の抽出について考察する。
既存の分解法やアルゴリズムでは、この逆問題を解くことはできない。
本稿では、ブラインドソース信号の非一様サンプリングが可能な離散サンプルセットを直接ベースとしたディープニューラルネットワークの合成を提案する。
論文 参考訳（メタデータ） (2020-01-31T18:54:00Z)
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。