論文の概要: When2What: A Timing-Conditioned Framework for Long-Horizon Forecasting of Continuous Cardiovascular Waveforms
- arxiv url: http://arxiv.org/abs/2611.08993v1
- Date: Fri, 06 Nov 2026 05:06:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-09 22:29:06.800834
- Title: When2What: A Timing-Conditioned Framework for Long-Horizon Forecasting of Continuous Cardiovascular Waveforms
- Title(参考訳): When2What:連続型心血管波形の時系列予測のための時間制約フレームワーク
- Abstract要約: 予測、コミット、生成の3段階からなるタイミングフレームワークであるWhen2Whatを紹介します。
120秒の履歴を与えられたWhen2Whatは、高密度のタイミングマップを予測し、離散的なビートイベントを選択して、単重のインパルスに変換する。
既存の時系列や生理学的予測よりも大幅に優れており、予測された心拍の0.644と95.62%の短期的な波形イベントスキルを達成している。
- 参考スコア(独自算出の注目度): 11.855642901927263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon forecasting of quasi-periodic cardiovascular waveforms, such as the electrocardiogram (ECG), arterial blood pressure (ABP), and photoplethysmogram (PPG), requires predicting both when future cardiac events will occur (beat timing) and what the local structural pattern looks like around each event (beat morphology). However, standard sequence forecasters trained with pointwise mean squared error (MSE) average across uncertain future heartbeat phases, flattening sharp R peaks and pulse upstrokes into featureless baselines. Our analysis of intraoperative ECG reveals a clear temporal asymmetry: beat-time predictability from history decays within seconds due to stochastic heart-rate variability, whereas local beat morphology aligned at true beat times remains stable over several minutes. Guided by this insight, we introduce When2What, a timing-conditioned framework comprising three stages: Predict, Commit, and Generate. Given a 120-s history, When2What predicts a dense 60-s timing map, selects and sharpens discrete beat events into unit-height Gaussian impulses, and conditions a neural waveform generator on both these committed events and the observed history. Across intraoperative ECG, When2What substantially outperforms existing time-series and physiological forecasters, achieving a near-term waveform event skill of 0.644 and reproducing 95.62% of its predicted heartbeats in the generated waveform where direct long-horizon forecasters collapse into flat baselines. Furthermore, When2What transfers zero-shot to external hospital and atrial fibrillation cohorts, extends effectively to ABP and PPG pulse waveforms, and is supported by ablations and synthetic analyses that establish explicit timing conditioning as an effective paradigm for quasi-periodic long-horizon waveform forecasting.
- Abstract(参考訳): 心電図(ECG)、動脈血圧(ABP)、光胸腺図(PPG)などの準周期心血管波形の経時的予測には、将来の心イベントの発生時期(拍動タイミング)と各事象周辺の局所構造パターン(拍動形態)の両方を予測する必要がある。
しかし、ポイントワイド平均二乗誤差(MSE)を訓練した標準シーケンス予測器は、不確実な将来の心拍数相にわたって、鋭いRピークを平坦化し、パルスアップストロークを特徴のないベースラインに引き上げる。
術中心電図では, 確率的心拍変動により数秒以内に履歴崩壊のビートタイム予測性が低下するのに対し, 真のビートタイムに整列した局所ビート形態は数分間安定している。
この洞察に導かれ、予測、コミット、生成の3段階からなるタイミング条件のフレームワークであるWhen2Whatを紹介します。
120秒の履歴を与えられたWhen2Whatは、60秒の高密度なタイミングマップを予測し、離散的なビートイベントを単重ガウスのインパルスに選択し、シャープし、これらのコミットされたイベントと観測された履歴の両方にニューラルウェーブフォームジェネレータを条件付けする。
術中の心電図全体では、When2Whatは既存の時系列や生理的予測装置を著しく上回り、短期的な波形のイベントスキル0.644を達成し、予測された心拍の95.62%を、直接の長水平予測装置が平坦なベースラインに崩壊する生成波形で再現する。
さらに、外部病院や心房細動コホートにゼロショットを転送する when2What は、APP および PPG パルス波形に効果的に拡張し、半周期長軸波形予測の有効なパラダイムとして明確なタイミング条件を確立するためのアブレーションと合成解析によって支援される。
関連論文リスト
- Harmonized Interpretable ECG Waveform Features for Robust Cross-Dataset Clinical Prediction [8.898778301129223]
2つの大きなコホート(MIMIC-IVとアルバータコホート)を用いた3つのタスクのクロスデータセット一般化のベンチマークを行った。
ベンダー固有の測定ミスマッチを低減するため,原波形から直接計算した調和的,解釈可能な特徴表現を構築した。
タスク全体では、内部のAUROCは0.79-0.82、クロスデータセットのAUROCは0.74-0.78であり、大きな方向依存のAUPRCシフトは転送中である。
論文 参考訳(メタデータ) (2026-07-26T02:04:13Z) - Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。
CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。
提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
論文 参考訳(メタデータ) (2025-12-12T08:02:37Z) - S4ECG: Exploring the impact of long-range interactions for arrhythmia prediction [1.6873748786804317]
マルチエポックな不整脈分類のための構造化状態空間モデルを利用した新しいディープラーニングアーキテクチャであるS4ECGを紹介する。
共同マルチエポック予測は,マクロAUROCでは1.0-11.6%,単一エポックアプローチでは有意に優れていた。
この研究は、時間的に認識される不整脈検出アルゴリズムへのパラダイムシフトに寄与し、ECG解釈の新しい可能性を開く。
論文 参考訳(メタデータ) (2025-10-20T10:48:44Z) - 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) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳(メタデータ) (2025-02-10T13:33:12Z) - Interpretable Pre-Trained Transformers for Heart Time-Series Data [15.377534937558744]
我々は、PTG-PTとECG-PTの2つのトレーニング済み汎用心臓モデルを作成する。
PPGのジクロティックノッチや心電図のP波など,個々の注意が生理学的に反する特徴に反応することを強調した。
これらの事前訓練されたモデルは、心房細動(AF)の分類や、光胸腺撮影におけるビート検出などのタスクにおいて、簡単に微調整できる。
論文 参考訳(メタデータ) (2024-07-30T12:22:03Z) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
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。