PPG에 '누구인가'가 아닌 '어떠한 상태인가'를 가르치기: ECG로부터의 고정효과 지식 증류
Teaching PPG How not Who: Fixed-Effects Distillation from ECG
한국어 초록
ECG는 PPG 전용 모델을 학습시키는 데 널리 사용되지만, 모델에 구체적으로 무엇이 전달되는지는 규명되지 않았습니다. 웨어러블 기기는 개인의 심혈관 상태 변화 추적에 유용하게 쓰이지만, ECG에서 PPG로의 지식 증류(distillation)는 주로 대상자가 누구인지에 대한 신원 정보를 학습합니다. 기록 단위의 평균인 '특질(trait)'은 고정된 ECG 교사 모델 타깃의 40~59%를 차지하며, 풀링된 학생 모델은 이를 새로운 기록으로 일반화하지 못한 채 단순히 암기합니다. 상수 예측기만으로도 코사인 유사도가 0.793을 기록하기 때문에, 단순 정렬 코사인 지표는 이러한 문제를 포착하지 못합니다. 34회의 실험 전반에서 학생 모델이 신원 정보를 더 많이 암기할수록 상태에 대해 학습하는 양은 줄어들었습니다. 고정효과 지식 증류(Fixed-effects distillation)는 예측값과 타깃에서 각 기록의 평균을 차감하여 특질 성분을 상쇄하는 동시에, 풀링된 앵커를 통해 이를 유지합니다. 그 결과 상태 일치도가 2배 이상 증가하였고, 연령 및 성별 성능은 변함없이 개인 내 레이블 예측 성능만 향상되었으며, 이러한 성능 향상은 두 개의 백본 및 두 개의 추가 데이터베이스에서도 일관되게 유지되었습니다. 기록에 조건을 부여함으로써 지식 증류가 웨어러블 기기가 모니터링하는 개인 내 변화를 학습하도록 유도할 수 있습니다.
원문 초록
ECG is widely used to teach PPG-only models, yet what it teaches is unexamined. Wearables are valued for tracking how a person's cardiovascular state changes, but ECG-to-PPG distillation mostly learns who the person is. A per-recording mean, the trait, holds 40-59% of a frozen ECG teacher's target, and pooled students memorise it without carrying it to new recordings. The raw alignment cosine misses this, since a constant predictor scores 0.793. Across 34 runs, the more identity a student memorises, the less state it learns. Fixed-effects distillation subtracts each recording's mean from prediction and target, so the trait cancels exactly, while a pooled anchor keeps it. State agreement more than doubles, within-person labels improve while age and sex do not, and the gain holds on two backbones and two further databases. Conditioning on the recording turns distillation toward the within-person changes that wearables monitor.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
ECGGuard: Deep Watermarking of Electrocardiogram Signals With Error-Correcting
PPG-Bench: PPG 파운데이션 모델을 위한 통합 벤치마크
PPG-Bench: A Unified Benchmark for PPG Foundation Models
광용적맥파(Photoplethysmography, PPG)는 웨어러블 및 임상 기기에서 점점 더 대규모로 기록되고 있으며, 다양한 다운스트림 작업을 위한 재사용 가능한 표현을 계산하기 위해 점점 더 많은 PPG 파운데이션 모델(FM)이 개발되고 있다. 이러한 모델들은 서로 비교하기 어려운데, 평가마다 서로 다른 데이터셋, 작업 정의, 전처리, 다운스트림 헤드, 하이퍼파라미터 튜닝, 기준선을 사용하기 때문이다. 우리는 5개의 공개 PPG FM을 9개의 오픈 액세스 데이터셋과 심혈관 상태 추정, 활동, 수면, 스크리닝, 식별에 걸친 26개 작업에 대해 평가하는 통합 오픈소스 벤치마크인 PPG-Bench를 제시한다. 우리는 적응성이 점차 증가하는 네 가지 다운스트림 체제(선형 프로빙, 랜덤 포레스트, 고정된 MLP 프로브, 엔드-투-엔드 파인튜닝) 하에서 모델별 하이퍼파라미터 최적화와 피험자 분리 교차검증을 적용하여 모델을 평가한다. 우리는 또한 세 가지 대조군, 즉 무작위/상수 기준선, 결정론적 맥박률 변동성(pulse-rate-variability, PRV) 특징 집합, 범용 시계열 FM(MOMENT)과 비교하여 평가한다. 68개의 작업-체제 조합 전체에서 35.3%는 무작위/상수 기준선 대비 FM의 유의미한 이점을 보이지 않았으며, 83.8%에서는 어떤 PPG 전용 FM도 PRV와 MOMENT를 모두 능가하지 못했다. 또한 다운스트림 헤드의 용량을 추가하면 일반적으로 성능이 향상되지만, 모델이 무작위 수준/상수 수준에서 동작하는 경우에는 상당한 성능 저하를 유발할 수 있음을 발견했다. 따라서 현재의 PPG FM은 아직 PPG 신호에 대한 일반화되고 전이 가능한 표현을 제공한다고 주장할 수 없으며, 이 분야의 향후 평가에는 단순하고 학습되지 않은 대조군에 대한 검증이 포함되어야 한다. 벤치마크 코드와 추가 모델 평가 방법은 다음에서 확인할 수 있다 - https://github.com/mannas-ai/ppg-bench.
임상적 예후 예측을 위한 이종 근거 통합 기반 검색 증강 다중 모달 언어 모델
Retrieval-Augmented Multimodal Language Model with Heterogeneous Evidence Integration for Clinical Prognosis
임상적 예후 예측은 정형 측정치, 생체 신호 파형, 시계열적 과거 이력, 그리고 환자군 맥락의 통합을 필요로 한다. 본 연구에서는 특징(feature)별 수치 토큰화(tokenization), 시계열 심전도(ECG)의 최신성 가중 집계, 이중 모달 환자군 메모리 뱅크를 결합한 다중 모달 언어 모델(language model)인 PRISM(Population-Retrieved Inference for Structured Multimodal Prognosis)을 소개한다. 검색은 표현 공간에서 수행된다. 즉, 모델(model)은 유사한 학습(training) 코호트 진료의 평균 풀링(mean-pooled) 임베딩을 전달받으며, 검색된 개별 기록은 프롬프트(prompt)에 직접 입력되지 않는다. 1,443개 태스크로 구성된 MDS-ED 벤치마크에서 PRISM은 진단 86.2%, 악화 93.1%, 중환자실(ICU) 입원 91.8%, 사망률 92.8%의 AUROC를 달성한다. 이 결과는 기존 베이스라인에서는 사용할 수 없었던 내원 전 96시간 윈도우를 활용한 것이다. 벤치마크 표준 윈도우 입력만 사용했을 때 PRISM은 0.8895의 AUROC를 기록하며, 이는 UniPACT의 0.8937 및 MDS-ED의 0.8889와 비견된다. 동일한 5개 근거 스트림과 고정된(frozen) 인코더를 사용하는 입력 매칭 컴팩트 융합 모델이 0.7652 AUROC를 달성한 것에 비해 PRISM은 0.9092를 달성한다. 수치형 전자건강기록(EHR) 인코딩을 텍스트 직렬화로 대체하면 AUROC가 3.66포인트 감소하고, 내원 전 이력을 제거하면 1.97포인트 감소하며, 검색을 제거(zeroing)하면 0.99포인트 감소한다. 실제 검색은 무작위 이웃 검색 대비 매크로 평균 0.97포인트 앞서지만, 대응 태스크 수준 부호 검정에서는 일관된 우위를 확립하지 못했다(p=0.067). 외부 MC-MED 코호트에서 지도 미세조정(supervised fine-tuning)은 0.8611 AUROC를 기록하여, 로컬에서 학습된 그래디언트(gradient) 부스팅의 0.8227 및 소스 코호트 전용 PRISM의 0.7841보다 우수했다. 이러한 결과는 구조 인지적 다중 모달 통합 및 지도 외부 적응의 효용을 뒷받침한다.
LiteEMG-FM: 강건한 EMG 센싱을 위한 효율적이고 배포 가능한 파운데이션 모델
LiteEMG-FM: An Efficient and Deployable Foundation Model for Robust EMG Sensing
근전도(EMG) 신호는 개인, 신체 부위, 측정 세션 및 센싱 하드웨어에 따라 크게 달라지며, 이는 보조 장치 및 인간-컴퓨터 상호작용(HCI)을 위한 모델의 일반화를 제한합니다. 또한 기존의 시계열 파운데이션 모델(foundation model)은 실시간 웨어러블 배포에 연산 비용이 많이 들고, EMG 특유의 시간-주파수 특성을 잘 포착하지 못하는 경우가 많습니다. 본 논문에서는 실용적인 EMG 센싱을 위한 효율적인 하이브리드 CNN-트랜스포머(Transformer) 파운데이션 모델인 LiteEMG-FM을 제시합니다. 16개의 다양한 상·하체 EMG 데이터셋에서 사전학습된 LiteEMG-FM은 사용자와 데이터셋 전반에 걸쳐 일반화되는 표현을 학습합니다. 리소스가 제한된 배포 환경을 위해, 경량 상시 작동(always-on) 1D-CNN이 휴식 상태 및 비목표 활동을 필터링하고 유효한 제스처에 대해서만 LiteEMG-FM을 활성화하는 계층적 웨이크업 아키텍처를 구현합니다. 우리는 완전 추론 오프로딩, 분할 추론, 완전 온디바이스 처리 방식을 평가하여 지연 시간, 전력 소비량, 메모리 사용량 간의 트레이드오프를 규명합니다. 다양한 평가 환경에서 LiteEMG-FM은 최신 시계열 파운데이션 모델 및 지도학습 베이스라인을 능가하며, 특히 캘리브레이션이 없는(zero-calibration) 피험자 간 환경 및 데이터 부족 조건에서 뛰어난 성능을 보입니다. 이러한 결과는 LiteEMG-FM이 EMG 응용 분야에 효과적이고 효율적이며 배포 가능한 파운데이션 모델임을 입증합니다.
어디를 볼지 학습하기: 시계열 예측과 PPG 기반 생체 신호 재구성을 위한 공유 상대 정렬 모듈
Learning Where to Look: A Shared Relative-Alignment Module for Time-Series Forecasting and PPG-to-Vital-Sign Reconstruction
PPG 기반 생체 신호 재구성(PPG-to-vital-sign reconstruction)은 손목 착용형 광혈류측정기(PPG) 신호를 심전도(ECG)와 같은 임상 파형으로 변환합니다. 장기 다변량 시계열 예측(long-horizon multivariate time-series forecasting)은 에너지, 날씨, 교통 분야의 계획 수립을 뒷받침합니다. 두 작업 모두 조건 시퀀스로부터 타깃 시퀀스를 생성하지만, 기존 모델들은 각 타깃 위치가 조건 시퀀스를 어디서 읽어올지 동일 위치 복사 또는 계절적 재발과 같이 하드코딩하므로 작업 간 전이가 불가능합니다. 본 논문에서는 이러한 대응 관계를 학습하여 생체 신호 재구성과 시계열 예측을 모두 처리하는 단일 조건화 모듈인 ROOSTER를 제안합니다. 이 모듈의 핵심은 타깃-조건 오프셋에 대한 주기적 빗(periodic-comb) 바이어스로, 그 중심, 주기, 첨도(sharpness)가 헤드별로 학습되므로 하나의 모듈이 항등 정렬(identity alignment)이나 계절적 시차로 수렴하고 발견된 결과를 보고할 수 있습니다. PPG 기반 생체 신호 재구성에서 ROOSTER는 4개의 심박수 및 호흡수 벤치마크에서 기존에 발표된 베이스라인들을 능가했습니다. 다변량 시계열 예측에서는 4개의 벤치마크에서 최적의 예측 기간 평균 MSE를 달성했으며, 일치된 3개 시드 학습 하에 24개의 데이터셋-예측 기간 설정 중 20개에서 자신이 확장한 예측 모델보다 우수한 성능을 보였습니다. 절제 연구(ablation study)에 따르면 콘텐츠 매칭이 아닌 상대적 바이어스가 정렬을 주도한 것으로 나타났습니다.
실패는 지표가 놓치는 것을 드러낸다: ECG 분류기 재귀적 정제를 위한 증거 기반 에이전트
Failures Reveal What Metrics Miss: An Evidence-Driven Agent for Recursive Refinement of ECG Classifiers
딥 모델이 12-lead ECG 분류를 크게 발전시켰지만, 분류기 설계의 정제는 여전히 실패 사례를 검토하고 설계를 반복적으로 수정하는 데 인간 전문가에 크게 의존한다. 최근 대규모 언어 모델(LLM) 기반 에이전트는 자동화된 모델 설계의 잠재력을 보여주었지만, 집계 성능 지표만으로 안내될 때는 개별 사례가 왜 실패하는지, 분류기를 어떻게 수정해야 하는지에 대한 통찰을 부족하다. 우리는 RecursiveECG를 제안한다. 이는 구체적인 실패와 객관적인 ECG 증거를 바탕으로 ECG 분류기를 정제하는 오프라인 모델 설계자 역할을 LLM이 수행하는 증거 기반 LLM-as-Designer 프레임워크이다. 실패 진단을 실행 가능한 증거에 그라운딩(grounding)하기 위해, Criteria-to-Measurement Compilation은 엄선된 ECG 기준을 검증된 결정론적 함수로 변환하여 개별 ECG에 대해 재현 가능하고 참조가 뒷받침되는 측정값을 생성한다. 이러한 측정값을 기반으로, Evidence-Grounded Failure Review는 원시 파형, 측정값, 모델 출력을 함께 고려하여 실패 사례와 비교 사례를 분석하고, LLM이 분류기의 한계를 진단하고 표적화된 수정안을 수립할 수 있게 한다. 후보 수정안은 고정된 문제 계약 하에서 실행되고 재평가되며, 증거로 뒷받침되는 업데이트만 유지된다. 그 결과로 얻은 예측기는 정제 후 고정되며 배포 시 LLM 추론이 필요 없고, 감사 추적(audit trail)은 각 수락된 수정안을 이를 뒷받침하는 증거와 연결한다. PTB-XL, Georgia, CPSC2018에서 RecursiveECG는 강력한 베이스라인을 일관되게 능가하며, 평균 상대적 개선율 10.0%를 달성한다. 광범위한 ablation 및 전이(transfer) 연구는 증거 기반 정제 과정의 효과를 추가로 검증한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.