基于拉普拉斯扩散的心率预测变换模型
机器学习
2025-08-26 v1 计算机视觉与模式识别
摘要
随着可穿戴物联网设备的普及，远程患者监测（RPM）成为管理心力衰竭的有前景的解决方案。然而，心率会因多种因素产生显著波动，若不将其与患者实际体力活动相关联，便难以判断变化是否显著。尽管人工智能（AI）模型可提高远程心率监测的准确度和情境理解能力，但对活动数据的集成仍鲜有涉及。本文提出一种结合拉普拉斯扩散技术的变换模型，用于建模由患者体力活动驱动的心率波动。不同于先前模型将活动视为次要因素，我们的方法通过专用嵌入和注意力机制将整个建模过程条件化于活动情境，以优先处理与活动相关的历史数据。该模型通过融合情境化嵌入和专用编码器，捕捉长期模式与活动特定的心率动力学。该变换模型在来自29名患者4个月收集的真实数据集上进行了验证。实验结果表明，我们的方法在多个基准上超越当前最先进的方法，平均绝对误差降低了43%，决定系数R2为0.97，表明模型预测的心率与实际心率值高度一致。这些发现表明，所提出的模型是支撑医护人员和远程患者监测系统的实用且有效的工具。
引用
@article{arxiv.2508.16655,
title = {A Laplace diffusion-based transformer model for heart rate forecasting within daily activity context},
author = {Andrei Mateescu and Ioana Hadarau and Ionut Anghel and Tudor Cioara and Ovidiu Anchidin and Ancuta Nemes},
journal= {arXiv preprint arXiv:2508.16655},
year = {2025}
}