Neurologica 株式会社（总部：东京都涩谷区，代表董事：ピーク エイダン ゼファー）欣然宣布，其两篇论文已获选在「ICASSP 2026」（国际声学、语音和信号处理会议）上发表，该会议是音频、语音、信号处理及其相关领域最具权威的国际会议之一，预计将在西班牙巴塞隆纳举行。 本次获选的两篇论文分别是实现多变量时间串行预测精度提升的「DecompSSM」，以及能够从PPG（光电容积脉波）重建多种生命体征的「PENGUIN」。值得一提的是，这两项成果均被选为「口头发表」。 关于「ICASSP」 「ICASSP (International Conference on Acoustics, Speech, and Signal Processing)」是由IEEE信号处理学会主办，是全球最大的信号处理及其应用领域国际会议。来自世界各地大学和企业的研究成果会提交至此，只有通过严格同行评审的论文才能被接受。 获选论文概要 1. 多变量时间串行预测模型「DecompSSM」 【论文题目】 A Decomposition-based State Space Model for Multivariate Time-series Forecasting 【作者】 长嶋隼矢、铃木骏太郎、小山修生、平野愼之助 【研究成果与实用性】 气象、电力、金融等多变量时间串行数据中，长期趋势、周期性波动和不规则杂讯混杂，使得高精度预测变得困难。 本研究提出「DecompSSM」，利用深度状态空间模型（SSM）将多变量时间串行数据分解为「趋势、季节性和残差」进行学习。 该AI模型在分析具有复杂相关性的时间串行数据方面，例如制造业的能源消耗预测、太阳能和风力发电的输出预测以及金融市场的价格波动分析，实现了超越传统AI模型的预测精度。 2. 生命体征重建框架「PENGUIN」 【论文题目】 PENGUIN: General Vital Sign Reconstruction from PPG with Flow Matching State Space Model 【作者】 铃木骏太郎、小山修生、平野愼之助、长嶋隼矢 【研究成果与实用性】 智能手表等设备测量的PPG信号成本低廉，对于连续的生物监测具有前景。然而，它容易受到身体运动等引起的杂讯影响，使得精确估计生物指针面临挑战。 本研究开发了「PENGUIN」，将「流匹配」集成到状态空间模型中。这使得从易受杂讯干扰的PPG信号中，高精度地重建心电图、动脉血压和呼吸状态等多种生命体征的连续波形成为可能。这项技术适用于穿戴式设备。