論文の概要: Deep Learning for Sleep Heart Rate Estimation from Accelerometers: Toward Population-Scale Cardiac Insight Without Optical Sensors

• arxiv url: http://arxiv.org/abs/2610.06823v1
• Date: Mon, 05 Oct 2026 17:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:22:58.109898
• Title: Deep Learning for Sleep Heart Rate Estimation from Accelerometers: Toward Population-Scale Cardiac Insight Without Optical Sensors
• Title（参考訳）: 加速度計による睡眠心拍数推定のための深層学習--光センサを使わずに人口規模の心インサイトを目指して
• Abstract要約: SeqSmootherは、手首加速度計による睡眠心拍数推定のための時間的補正器である。 ナイトビートはSeqSmootherのアウト・オブ・フォールド・グリッドの72.85%の最終見積を作成した。
• 参考スコア（独自算出の注目度）: 1.7154920277702874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large longitudinal cohorts often contain wrist accelerometry without optical heart-rate sensing, motivating recovery of cardiac information from motion signals already collected during sleep. We present SeqSmoother, a transformer-based temporal corrector for sleep heart rate (HR) estimation from wrist accelerometry. SeqSmoother combines spectral descriptors with an intermediate Nightbeat-derived frequency anchor and a physics-motivated sub-harmonic feature designed to identify harmonic frequency lock-on. All inference-time features are derived from wrist accelerometry, while ECG is used only to construct reference HR labels and training-label quality weights. We evaluate SeqSmoother using 13 participant-disjoint held-out folds and compare it with the official Nightbeat implementation under a matched 60-s window and 15-s step protocol. Across all out-of-fold predictions, SeqSmoother achieved a participant-macro MAE of 1.60 bpm. On Nightbeat-retained matched intervals, Nightbeat achieved lower absolute error than SeqSmoother (0.615 versus 1.091 bpm), while SeqSmoother provided estimates over a larger portion of the eligible recording; Nightbeat produced final estimates for 72.85% of the SeqSmoother-eligible out-of-fold grid. Separately, the proposed sub-harmonic ratio achieved an AUROC of 0.972 for identifying reference-defined harmonic lock-on candidates. These findings reveal an accuracy-availability trade-off between learned temporal modeling and quality-gated signal processing while providing empirical support for a physics-informed approach to identifying frequency-tracking failures in accelerometer-based sleep HR estimation.
• Abstract（参考訳）: 大型の長方形のコホートには、光学式心拍計を使わずに手首加速度計が組み込まれており、睡眠中に既に収集された運動信号から心臓情報の回復を動機付けている。 本稿では,手首加速度計による睡眠心拍数推定のための変圧器を用いた時間補正装置SeqSmootherを提案する。 SeqSmootherはスペクトルディスクリプタと中間のナイトビート発の周波数アンカーと、調和周波数ロックオンを識別するために設計された物理動機のサブハーモニック特徴を組み合わせた。 推論時の全ての特徴は手首加速度計から導かれるが、ECGは基準HRラベルとトレーニングラベルの品質重みを構築するためにのみ使用される。 提案手法を,60秒のウィンドウと15秒のステッププロトコルで公式なNightbeat実装と比較し,SeqSmootherの評価を行った。 あらゆるアウト・オブ・フォールド予測において、SeqSmootherは1.60 bpmの参加者マクロMAEを達成した。 ナイトビートがマッチした間隔で、ナイトビートはセックスモーザー(0.615対1.091 bpm)よりも絶対誤差が低く、セックスモーザーは記録のより大きな部分を推定し、ナイトビートはセックスモーザーが許容できるアウト・オブ・フォールド・グリッドの72.85%の最終的な見積もりを作成した。 これとは別に、提案されたサブハーモニック比は、基準定義されたハーモニックロックオン候補を特定するために0.972のAUROCを達成した。 これらの結果から,加速度計による睡眠HR推定における周波数追跡障害の同定のための物理インフォームド手法の実証的サポートを提供しながら,学習時間モデルと品質ゲート信号処理の精度のトレードオフを明らかにした。

関連論文リスト

• Learning to Assess Heartbeat Observability for mmWave Heart-Rate Sensing [24.064616983504337]
  獲得した位相スペクトルにおける心拍成分の可読性として定義される心拍可観測性を評価するための学習について検討した。 本稿では,可観測性スコアと心拍数を共同で予測する小型デュアルタスク変換器HEARを提案する。
  論文  参考訳（メタデータ） (2026-10-02T16:46:08Z)
• 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)
• Spectral Features Dominate BCG Respiratory-Event Detection: A Large-Scale Patient-Independent Comparison of Feature Groups in Sleep Apnea Patients [33.60217549899358]
  バリスト心電図(BCG)は長期睡眠時無呼吸モニタリングにおいて有望なモダリティである。 呼吸異常の検出においてどの信号の特徴が最も識別されているかは、まだ不明である。 BCG特徴群10群を文献的,患者非依存的に比較検討した。
  論文  参考訳（メタデータ） (2026-08-28T11:56:12Z)
• Atrial Fibrillation Detection Using Machine Learning [3.5522386235856582]
  心房細動(AF)は、一般的な不整脈であり、虚血性脳卒中の主要な危険因子である。 本稿では,ECG信号とECG信号の同時検出のための10倍の機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-20T07:30:08Z)
• CLARAE: Clarity Preserving Reconstruction AutoEncoder for Denoising and Rhythm Classification of Intracardiac Electrograms [37.042025337065816]
  CLARAEは1次元エンコーダデコーダである。 高忠実度再構成とコンパクトな64次元潜在表現を実現する。
  論文  参考訳（メタデータ） (2025-09-28T20:39:21Z)
• Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering [1.5390962520179197]
  本研究では,脳波記録(EEG)を小げっ歯類に分類するために,Team Neural Prognosticatorsによって開発された自動フレームワークを提案する。 このシステムは、高度な信号処理と機械学習を統合し、時間領域と周波数領域の両方のエンジニアリングされた特徴を活用する。 XGBoostモデルは、全体的な精度91.5%、精度86.8%、リコール81.2%、F1スコア83.5%を達成し、全てのベースライン法を上回った。
  論文  参考訳（メタデータ） (2025-07-08T19:08:57Z)
• Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios [39.3721526159124]
  本研究では,皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。
  論文  参考訳（メタデータ） (2024-10-04T16:05:08Z)
• Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
  本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。 マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
  論文  参考訳（メタデータ） (2024-07-25T22:56:21Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Fully Automated Mitral Inflow Doppler Analysis Using Deep Learning [0.0]
  エコー法で取得したMIドップラー画像のラベル付けに深層学習を利用する完全自動化ワークフローを提案する。 MIドップラー画像を含む24種類の画像クラスを予測するため,140例の5544画像に対して,様々な畳み込みニューラルネットワーク(CNN)モデルを訓練した。
  論文  参考訳（メタデータ） (2020-11-24T22:27:14Z)

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。