基于两阶段自适应时空模型的个性化与可解释睡眠预测
机器学习
2026-02-23 v2 人工智能
摘要
睡眠质量影响人的身心健康。因此，医疗保健提供者和个人需要易于获取且可靠的预测工具，以便进行预防性干预。本文提出了一种可解释的、个性化的自适应时空模型，用于预测睡眠质量。我们设计了一种层次化架构，由具有不同核大小的并行一维卷积和膨胀卷积组成，用于提取多分辨率时间模式——短核捕捉快速生理变化，而较大的核和膨胀则建模较慢的趋势。随后通过通道注意力机制对提取的特征进行精炼，该机制学习为每个个体强调最具预测性的变量，接着由双向 LSTM 和自注意力机制共同建模局部序列动态和全局时间依赖关系。最后，两阶段自适应策略确保学习到的表征能有效迁移至新用户。我们以五种输入窗口大小（3、5、7、9 和 11 天）和五种预测窗口大小（1、3、5、7 和 9 天）进行了各种实验。我们的模型持续优于时间序列预测基线方法，包括 LSTM、Informer、PatchTST 和 TimesNet。在三天输入窗口和一天预测窗口下取得了最佳性能，RMSE 为 0.216。此外，即使在较长的预测期（例如，三天预测窗口的 RMSE 为 0.257），该模型也表现出良好的预测性能，凸显了其在实际应用中的实用价值。我们还进行了可解释性分析，以检验不同特征如何影响睡眠质量。这些发现证明，所提出的框架利用来自商业可穿戴设备的稀疏数据，为个性化睡眠预测提供了一种稳健、自适应且可解释的解决方案。
引用
@article{arxiv.2509.06974,
title = {Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model},
author = {Xueyi Wang and Claudine J. C. Lamoth and Elisabeth Wilhelm},
journal= {arXiv preprint arXiv:2509.06974},
year = {2026}
}