DeepFeature：面向可穿戴生物信号的迭代情境感知特征生成
人工智能
2025-12-10 v1
摘要
可穿戴设备收集的生物信号在医疗保健应用中被广泛利用。这些应用中使用的机器学习模型通常依赖于从生物信号中提取的特征，原因在于其有效性、较低的数据维度以及在各种模型架构中的广泛兼容性。然而，现有的特征提取方法往往缺乏任务特定的情境知识，难以在高维特征空间中识别最佳特征提取设置，并且容易产生代码生成和自动化错误。为此，本文提出 DeepFeature，这是第一个以大语言模型为驱动的、面向可穿戴生物信号的情境感知特征生成框架。DeepFeature 引入了多源特征生成机制，将专家知识与任务设置相结合。它还采用基于特征评估反馈的迭代特征细化过程进行特征重新选择。此外，DeepFeature 使用健壮的多层过滤和验证方法，确保特征到代码的翻译健壮可靠，从而保证提取函数无崩溃。实验评估结果表明，DeepFeature 在八个多样化任务上的平均 AUROC 提升幅度为 4.21%~9.67%，在五个任务上优于当前最先进的方法，在剩余任务上保持可比性能。
引用
@article{arxiv.2512.08379,
title = {DeepFeature: Iterative Context-aware Feature Generation for Wearable Biosignals},
author = {Kaiwei Liu and Yuting He and Bufang Yang and Mu Yuan and Chun Man Victor Wong and Ho Pong Andrew Sze and Zhenyu Yan and Hongkai Chen},
journal= {arXiv preprint arXiv:2512.08379},
year = {2025}
}