UBIWEAR：面向智能身体活动预测的端到端数据驱动框架以赋能移动健康干预

身体活动对个体健康与福祉至关重要，这一点无可争议。然而，全球普遍的身体活动不足已引发显著的个人与社会经济影响。近年来，大量工作展示了自追踪技术在创造积极健康行为改变方面的能力。本工作受个性化与自适应目标设定技术在通过自追踪鼓励身体活动方面的潜力所驱动。为此，我们提出 UBIWEAR，一个用于智能身体活动预测的端到端框架，最终目标是赋能数据驱动的目标设定干预。为此，我们尝试了众多机器学习与深度学习范式，作为身体活动预测任务的稳健基准。为训练模型，我们使用了“MyHeart Counts”，一个从数千名用户野外收集的开源大规模数据集。我们还提出了一个用于自追踪聚合数据预处理的规定性框架，以促进真实世界噪声数据的整理。我们的最佳模型取得了 1087 步的 MAE，绝对误差比当前最优（SOTA）低 65%，证明了身体活动预测任务的可行性，并为未来研究铺平道路。