新研究仅靠腕部加速度计估算睡眠心率，MAE达1.6bpm
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模型设计与输入特征
为解决大规模纵向队列常缺光学心率传感的问题，研究提出SeqSmoother模型，旨在从已采集的腕部加速度计信号中恢复睡眠心率。该模型基于Transformer架构，作为时间校正器运作。其特征构建结合了频谱描述符、由Nightbeat衍生的中间频率锚点，以及受物理启发的亚谐波特征，后者专门用于识别谐波频率锁定现象。所有推理时特征均源自腕部加速度计，心电信号仅用于构建参考心率标签及训练标签的质量权重。
评估结果与对比
研究采用13个参与者不相交的保留折进行评估，匹配60秒窗口与15秒步长协议。SeqSmoother在所有折外预测中取得1.60bpm的参与者宏观MAE。在与Nightbeat官方实现的对比中，于Nightbeat保留的匹配区间内，Nightbeat绝对误差为0.615bpm，SeqSmoother为1.091bpm。然而，SeqSmoother能在更大比例的合格记录上提供估算，Nightbeat仅覆盖SeqSmoother合格折外网格的72.85%。
精度与可用性权衡
实验揭示了学习型时序建模与质量门控信号处理之间存在精度与可用性的权衡。Nightbeat通过质量门控获得了更高精度，但牺牲了估算覆盖率；SeqSmoother则提供了更广的覆盖范围。此外，研究提出的亚谐波比在识别由参考定义的谐波锁定候选时，AUROC达到0.972，这为基于物理信息的方法识别加速度计睡眠心率估算中的频率追踪失败提供了实证支持。
为什么值得看
无需光学传感器即可从现有加速度计数据恢复心率，为大规模人群纵向队列的睡眠心脏洞察提供低成本可行路径。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。