[論文レビュー] Weighted Temporal Decay Loss for Learning Wearable PPG Data with Sparse Clinical Labels

Yunsung Chung, Keum San Chun+7 more|arXiv (Cornell University)|Feb 2, 2026

Non-Invasive Vital Sign Monitoring被引用数 0

ひとこと要約

要約: 論文は、Ppgセグメントとグラウンドトゥルーラベル間の時間差に基づいてサンプル重みを biomarker 固有の減衰で学習する重み付き時間的減衰損失を導入し、時間的に離れたラベルからの学習を可能にし、スマートウォッチの PPG からのマルチバイオマーカー予測を改善する。

ABSTRACT

Advances in wearable computing and AI have increased interest in leveraging PPG for health monitoring over the past decade. One of the biggest challenges in developing health algorithms based on such biosignals is the sparsity of clinical labels, which makes biosignals temporally distant from lab draws less reliable for supervision. To address this problem, we introduce a simple training strategy that learns a biomarker-specific decay of sample weight over the time gap between a segment and its ground truth label and uses this weight in the loss with a regularizer to prevent trivial solutions. On smartwatch PPG from 450 participants across 10 biomarkers, the approach improves over baselines. In the subject-wise setting, the proposed approach averages 0.715 AUPRC, compared to 0.674 for a fine-tuned self-supervised baseline and 0.626 for a feature-based Random Forest. A comparison of four decay families shows that a simple linear decay function is most robust on average. Beyond accuracy, the learned decay rates summarize how quickly each biomarker's PPG evidence becomes stale, providing an interpretable view of temporal sensitivity.

研究の動機と目的

• PPG ベースのバイオマーカー予測に対する希薄な臨床ラベルの課題に対処する。
• トレーニングサンプルを時間差で重み付けする biomarker 固有の学習可能な時間減衰率を導入する。
• スマートウォッチデータからの 10 バイオマーカーに対してベースラインより性能を向上させる。
• トレーニング中に時間的に遠い信号を活用することによるデータ効率を示す。
• バイオマーカーごとの学習された時間感度を分析して解釈性を提供する。

提案手法

• サンプル重み w_i = g(alpha_b_hat * Delta_t_i) を用いた重み付き損失を定義し、Delta_t_i は最寄りのヘルスレコードまでの日数、alpha_b_hat = softplus(alpha_b) >= 0。
• degenerate な重みを防ぐための平均重みボーナスを伴う重み付き二値交差エントロピーで訓練（lambda は固定で 0.5）。
• 4 種の減衰ファミリを探索（指数関数、線形、余弦アニーリング、逆数）し、平均的には線形を最も頑健と判断。
• 450 名の参加者から 10 秒間の PPG セグメントを使用し、品質フィルタリング後、最寄りの臨床記録と 30 日以内にアラインし、被験者ごとの 5 折交差検証で評価。
• 手作り特徴量による RF と提案損失で微調整した PAPAGEI を比較。

Fig. 1 : The proposed method uses a weighted decay loss function, parameterized by $\Delta t$ – the temporal distance between the nearest sparse clinical label and the corresponding sensor data – to progressively reduce the contribution of the samples as they occur further from the clinical health r

実験結果

リサーチクエスチョン

• RQ1 臨床ラベルが希薄な場合に、時系列を考慮した重み付けスキームは PPG からのバイオマーカー予測を改善できるか。
• RQ2 どの減衰ファミリが複数のバイオマーカーに対して最も頑健な性能を提供するか。
• RQ3 学習可能な biomarker 固有の減衰率は、固定率や時間ウェイトなしと比較して結果を改善するか。
• RQ4 ラベル設定を二つの極端（上位四分位と下位四分位）にした場合の方法の性能はどうか。
• RQ5 性能に影響を与える潜在的な制限とバイオマーカー固有のダイナミクスは何か。

主な発見

Biomarker	N	RF AUROC	RF AUPRC	PAPAGEI (FT) AUROC	PAPAGEI (FT) AUPRC	Ours AUROC	Ours AUPRC
LDL	39 (7,521)	0.465	0.477	0.526	0.473	0.644	0.507
Triglyceride	33 (7,880)	0.547	0.612	0.740	0.877	0.715	0.840
HbA1C	42 (7,719)	0.660	0.603	0.703	0.637	0.727	0.657
Hemoglobin	69 (16,643)	0.680	0.645	0.797	0.804	0.798	0.815
CO 2	77 (20,992)	0.546	0.694	0.536	0.667	0.650	0.720
Chloride	86 (20,310)	0.494	0.571	0.703	0.725	0.716	0.750
Potassium	72 (16,847)	0.599	0.607	0.676	0.612	0.724	0.713
Sodium	73 (16,417)	0.670	0.635	0.522	0.518	0.593	0.604
WBC	57 (13,895)	0.736	0.795	0.755	0.745	0.843	0.848
Platelets	56 (15,460)	0.600	0.632	0.660	0.699	0.713	0.698

• 平均 AUROC 0.712 および AUPRC 0.715（バイオマーカー全体）で、PAPAGEI (AUROC 0.660, AUPRC 0.674) および RF (AUROC 0.599, AUPRC 0.626) を上回る。
• 線形減衰が最も強い平均性能を示す（AUROC 0.712, AUPRC 0.715）。
• バイオマーカー固有の減衰率を学習することは、固定率の除外より追加の利得を提供。
• 時間を意識した重み付けにより遠隔セグメントへの依存が減少し、各被験者のセグメント予測の集約が改善。
• 二極のプロトコルは、WBC やカリウムのように急変動するバイオマーカーで特に大きな利益を示した。