論文の概要: Multimodal BVP and Respiration for Automated Pain Recognition with Hankel-FCN

• arxiv url: http://arxiv.org/abs/2611.01978v1
• Date: Sun, 01 Nov 2026 15:15:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:50:16.269462
• Title: Multimodal BVP and Respiration for Automated Pain Recognition with Hankel-FCN
• Title（参考訳）: ハンケルFCNを用いたマルチモーダルBVPと呼吸
• Abstract要約: 本稿では,AI4Painデータセットからのマルチモーダル生理信号に基づく客観的痛み評価フレームワークを提案する。 提案手法は精度67.09%,F1スコア66.41%である。 より広い人口と臨床環境への一般性を確立するためには、さらなる検証が必要である。
• 参考スコア（独自算出の注目度）: 39.00398483481443
• License:
• Abstract: Automated pain recognition is a fundamental challenge for the advancement of clinical care and empathetic human-computer interaction, due to the subjective and dynamic nature of pain. In this study, we propose a deep learning framework for objective pain assessment based on multimodal physiological signals from the AI4Pain dataset. The approach focuses on Blood Volume Pulse (BVP) and Respiration (RESP), capturing complementary aspects of autonomic responses to nociceptive stimulation. To explicitly model their temporal dynamics, the signals are transformed into structured trajectory representations using Hankel matrix embeddings, enabling the learning of dynamical patterns beyond conventional time-series representations. These embeddings are processed by modality-specific Fully Convolutional Networks, and their outputs are integrated through a late fusion strategy for three-class classification (No Pain, Low Pain, High Pain). Experimental results demonstrate that the proposed method achieves an accuracy of 67.09% and an F1-score of 66.41%, providing competitive performance compared to existing approaches, while relying on no handcrafted feature engineering. Multimodal fusion significantly outperformed either modality alone, and the Hankel embedding showed a trend towards further improvement. Further validation is required to establish generalisability to broader populations and clinical settings.
• Abstract（参考訳）: 自動鎮痛は、主観的およびダイナミックな痛みの性質から、臨床ケアの進歩と共感的人間とコンピュータの相互作用の基本的な課題である。 本研究では,AI4Painデータセットからの多モーダルな生理的信号に基づく客観的痛み評価のためのディープラーニングフレームワークを提案する。 アプローチは、侵害受容刺激に対する自律神経反応の相補的な側面を捉え、血液量パルス(BVP)と呼吸(RESP)に焦点を当てる。 時間的ダイナミクスを明示的にモデル化するために、信号はハンケル行列埋め込みを用いて構造化された軌道表現に変換され、従来の時系列表現を超えた動的パターンの学習を可能にする。 これらの埋め込みはモダリティ固有のフル・コンボリューショナル・ネットワークによって処理され、その出力は3種類の分類(痛みなし、低痛み、高痛み)の後期融合戦略によって統合される。 実験の結果,提案手法は67.09%の精度,F1スコア66.41%の精度を実現し,手作りの特徴工学に頼らず,既存手法と比較して競争性能が向上した。 マルチモーダル融合はモダリティ単独で著しく優れており、ハンケル埋め込みはさらなる改善の傾向を示した。 より広い人口と臨床環境への一般性を確立するためには、さらなる検証が必要である。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• An Exploratory Analysis of Pain Localization via Explainable Computational Modeling [7.79980827398921]
  本稿では,古典的特徴工学と深部シークエンス学習の体系的比較を行った。 時間領域、周波数領域、モダリティ特化、およびクロスモーダル記述子にまたがる115次元の手作り機能セットを、エンド・ツー・エンドのディープ・アーキテクチャに対してベンチマークする。 極端にランダム化された木は0.539の最高マクロF1を達成し、最高の深度モデルより7.4ポイント、EDAスペクトルが支配的な差別者として出現する。
  論文  参考訳（メタデータ） (2026-07-22T03:53:07Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。