用于从可穿戴传感器数据预测干预后生理反应的个性化上下文感知 Transformer 模型
人工智能
2026-04-17 v1
摘要
消费级可穿戴设备能够连续测量与压力和恢复相关的生理数据，但将这些数据流转化为可操作的个性化压力管理建议仍然是一项挑战。在实践中，用户通常不知道给定的干预（定义为旨在减轻压力的活动）将如何影响未来 15 至 120 分钟内的心率（HR）、心率变异性（HRV）或心搏间期（BBI）。我们提出了一个框架，可以预测不同时间窗口内这些生理指标的干预后轨迹和变化方向。我们的方法结合了一个 Transformer 模型，用于预测相对于干预前基线的百分比变化的多时间跨度轨迹，对每个跨度的变化方向判断（正向、负向或中性），以及一项使用可穿戴传感器数据叠加用户标记事件和干预的实证研究。这一概念验证表明，个性化的干预后预测是可行的。我们鼓励在通过更大规模研究进行进一步验证并在适用时进行适当的监管审查之后，将其未来整合到压力管理工具中，以提供根据每个人的一天量身定制的个性化干预建议。
引用
@article{arxiv.2604.14738,
title = {Personalized and Context-Aware Transformer Models for Predicting Post-Intervention Physiological Responses from Wearable Sensor Data},
author = {Esther Brown and Victoria Dean and Finale Doshi-Velez},
journal= {arXiv preprint arXiv:2604.14738},
year = {2026}
}