从笔迹到睡眠状态：使用Sigma-Lognormal手写特征检测低恢复日

虽然手写体传统上用于字符识别和疾病分类，但其反映健康个体日常生理波动的潜力尚未被探索。本研究检验了每日睡眠相关恢复状态是否可从在线手写动态中推断。% 我们提出了一种个性化二元分类框架，用于检测基于Sigma-Lognormal模型派生的特征所捕获的笔画神经肌肉生成过程所反映的日常恢复状态。在13名大学学生进行的28天野外研究中，记录了三次日常手写体，并使用佩戴环测量夜间心率变异性。对于每位参与者，四项睡眠相关指标的最低（或最高）四分之一——HRV、最低心率、平均心率和总睡眠时长——定义为阳性类。留出日交叉验证显示，在FDR校正后，四个变量的PR-AUC显著超过基线（0.25），其中心血管相关变量表现最佳。重要的是，分类性能在不同任务类型或记录时间之间未显著差异，表明恢复相关信号嵌入在一般运动动态中。这些结果表明，微小的个体间自主恢复波动可从日常手写中检测出来，为非侵入式、设备无关的健康监测开辟了新的方向。