WavesFM：面向长时序可穿戴传感器波形的层次化表征学习
机器学习
2026-05-12 v1 人工智能
摘要
可穿戴传感器可实现自由生活条件下高分辨率生理波形（如 脉搏血氧谱和加速度谱）的连续获取。然而，从这些信号推断与健康相关的表型在面临高采样频率、多模态依赖以及极长序列长度（例如 周甚至更长的录制）挑战，同时因稀缺的 ground-truth 标签而进一步加剧。为解决这些挑战，现有自监督学习 (SSL) 方法通常遵循两种范式：(1) 从短波形片段学习丰富的形态表征，同时通过简单聚合消除纵向动态；或 (2) 从粗糙的、人工提取的特征（如 心率、步数）跨越更长时间尺度建模行为模式，但放弃原始波形中细微的预测信号。为弥合这一差距，我们提出 WavesFM，一种用于纵向生理数据的两阶段 SSL 框架的基础模型。具体而言，我们将学习问题分解为两个阶段：首先，预训练一个分段级编码器，从短波形中提取局部嵌入；随后，训练一个时序编码器，对跨多日时间尺度的这些嵌入序列进行建模。这种层次化方法克服了高分辨率、长序列数据的计算复杂度，使模型能够捕获局部信号语义以及支配生理动态的复杂昼夜节律和跨日变异。该模型在第一阶段以超过 680 万小时（N=32.4 万个个体）的录制进行预训练，第二阶段以 53 万小时（N=1 万）进行预训练。WavesFM 在涵盖人口统计学、生活方式、健康状况和药物使用的 58 种多样化任务上表现优异。
引用
@article{arxiv.2605.09173,
title = {WavesFM: Hierarchical Representation Learning for Longitudinal Wearable Sensor Waveforms},
author = {Peng Cao and Zhijian Yang and Tennison Liu and Jonathan Wang and Jiang Wu and Magdalena Proszewska and Arvind Pillai and Mingwu Gao and Amir Farjadian and Lawrence Cai and Emily Blanchard and Daniel McDuff and Pramod Rudrapatna and Matthew Thompson and Anupam Pathak and Mark Malhotra and Shwetak Patel and Dina Katabi and Paolo Di Achille and Ming-Zher Poh},
journal= {arXiv preprint arXiv:2605.09173},
year = {2026}
}