面向多变量可穿戴生理信号的基础模型
机器学习
2025-05-19 v2 信号处理
摘要
时间序列基础模型在各种数据类型上执行预测任务方面表现出色，利用具有信息性的波形表示。然而，可穿戴传感数据面临独特挑战，由于其模式和频率带的差异，尤其是针对与健康相关的结局。主要障碍在于构建能够高效适应异构感知配置和应用的通用表征。为了解决这一问题，我们提出了 NormWear，第一个面向可穿戴传感数据的多模态和通用的基础模型，旨在从可穿戴传感数据中提取通用且信息丰富的表征。具体而言，我们设计了具有共享特殊联络 [CLS] 标记的通道注意力机制，以检测 intra-sensor 和 inter-sensors 之间的信号模式。这有助于模型提取更有意义的信息，考虑到输入传感器本身以及它们之间的关系。这有助于模型适用于各种传感器设置。NormWear 在包括 PPG、ECg、EEG、GSR 和 IMU 在内的多种生理信号上进行预训练，这些信号来自 various public 数据集。我们的模型在 11 个公共可穿戴传感数据集上表现出卓越的通用性，这些数据集涵盖 18 项应用，包括精神健康、身体状态推断、生命体征估计和疾病风险评估。在零-shot、partial-shot 和 full-shot 设置下均一致优于竞争基线，表明其在现实世界健康应用中具有广泛适用性。
引用
@article{arxiv.2412.09758,
title = {Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals},
author = {Yunfei Luo and Yuliang Chen and Asif Salekin and Tauhidur Rahman},
journal= {arXiv preprint arXiv:2412.09758},
year = {2025}
}
备注
The code is available at: http://github.com/Mobile-Sensing-and-UbiComp-Laboratory/NormWear