从24小时腕部运动中学习人类健康与疾病

# 从24小时腕部运动中学习人体健康与疾病
来源：https://arxiv.org/html/2608.29494

**作者与单位**
- **Dylan McGagh**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学纳菲尔德骨科、风湿病学与肌肉骨骼科学系，英国牛津
  - 单位：牛津大学医院，英国牛津
- **Katya Broomberg**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Zizheng Zhang**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学医院，英国牛津
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Jonathan Carter**
  - 单位：牛津大学工程科学系，英国牛津
- **Junayed Naushad**
  - 单位：牛津大学计算机科学系，英国牛津
- **Laura Brocklebank**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Yang Sun**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学统计系，英国牛津
- **George Nicholson**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学统计系，英国牛津
- **Dianjianyi Sun**
  - 单位：北京大学公共卫生学院流行病学与卫生统计学系，中国北京
  - 单位：北京大学公共卫生与疫病防控中心，中国北京
  - 单位：教育部重大疾病流行病学重点实验室（北京大学），中国北京
- **Canqing Yu**
  - 单位：北京大学公共卫生学院流行病学与卫生统计学系，中国北京
  - 单位：北京大学公共卫生与疫病防控中心，中国北京
  - 单位：教育部重大疾病流行病学重点实验室（北京大学），中国北京
- **Jun Lv**
  - 单位：北京大学公共卫生学院流行病学与卫生统计学系，中国北京
  - 单位：北京大学公共卫生与疫病防控中心，中国北京
  - 单位：教育部重大疾病流行病学重点实验室（北京大学），中国北京
- **Maxim Barnard**
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Hubert Lam**
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Andrew Steptoe**
  - 单位：伦敦大学学院行为科学与健康系，英国伦敦
- **David W. Eyre**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学医院，英国牛津
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Liming Li**
  - 单位：北京大学公共卫生学院流行病学与卫生统计学系，中国北京
  - 单位：北京大学公共卫生与疫病防控中心，中国北京
  - 单位：教育部重大疾病流行病学重点实验室（北京大学），中国北京
- **Zhengming Chen**
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Naomi Wray**
  - 单位：牛津SMART生物医学先锋研究中心，英国牛津
- **Spiros Denaxas**
  - 单位：伦敦大学学院健康信息学研究所，英国伦敦
  - 单位：林茨跨学科转型大学，奥地利林茨
  - 单位：伦敦大学学院医院NHS基金会信托国家健康与护理研究所生物医学研究中心，英国伦敦
  - 单位：雅典国立卡波迪斯特里安大学，希腊雅典
- **Gary S. Collins**
  - 单位：伯明翰大学健康科学学院应用健康科学系，英国伯明翰
  - 单位：国家健康与护理研究所生物医学研究中心：伯明翰大学医院NHS基金会信托与伯明翰大学，英国伯明翰
- **Huaidong Du**
  - 单位：牛津大学纳菲尔德人口健康系，英国牛津
- **Aiden Doherty**
  - 单位：牛津SMART生物医学先锋研究中心，英国牛津
  - 单位：牛津大学大数据研究所，英国牛津
- **Hang Yuan**
  - 单位：牛津大学大数据研究所，英国牛津
  - 单位：牛津大学精神病学系，英国牛津

*通讯作者邮箱：[email protected]; [email protected]; [email protected]*
†这些作者对工作贡献相等
‡这些作者共同监督这项工作

## 摘要
人体的大部分健康状况和功能是在日常生活的运动中体现的，而非在诊室内。腕戴式加速度计能持续捕捉这些运动，但其丰富的信号通常被简化为少量预定义的行为摘要指标。本文介绍了Sensori，这是一个自监督基础模型，能够直接从24小时原始三轴腕部运动中学习通用的健康表征。我们在来自英国、中国和美国的四个基于人群的队列（共122,640名参与者，贡献了683,617人天的自由生活记录）中开发和评估了该模型。Sensori将每天的运动浓缩为一种表征，该表征捕捉了多样的运动行为、人口统计特征、健康维度和身体功能。在独立队列中的评估显示，这些表征无需重新训练即可跨人群和测量设置泛化。当添加到常见的临床协变量中时，Sensori显著改善了102种合格疾病中52种的现患疾病分类（中位数ΔAUROC为0.060；范围0.012–0.242），以及87种合格疾病中26种的发病风险预测（中位数Δ Uno’s C指数为0.064；范围0.025–0.172），其中神经系统和精神疾病的改善最为显著。这些发现确立了24小时腕部运动作为丰富且可扩展的健康信息来源的潜力，有望支持人群规模的被动健康监测和疾病预测。

## 引言
人类双足行走将上肢从运动功能中解放出来[1]。这一进化转变使双手成为人类与环境互动的主要界面。日常生活的几乎所有方面，包括饮食、工作和护理，都通过协调的手腕和手部运动来表达。因此，24小时的腕部运动记录提供了一个持续的窗口，可以观察个体在现实世界中的生活和功能状态。
腕戴式加速度计的广泛普及使24小时运动的连续测量变得日益可行。截至2026年，全球约三分之一的在线成年人拥有能够持续捕捉腕部运动的智能手表[2]。腕戴式加速度计也被部署在大规模基于人群的队列中，使研究自由生活运动行为与多种健康结果之间的关联成为可能[3,4,5,6,7]。
人类行为是连续的、多层次的、多维度的，跨越从秒级运动动态到日常行为习惯的时间尺度。设备测量的行为大大完善了我们对体力活动与健康之间关联的理解，揭示了其与长寿的联系比自我报告的测量所估计的更为紧密[8]。近期的研究进一步将腕部衍生的运动行为与死亡率和广泛的慢性疾病联系起来，包括癌症、心血管和神经系统疾病[9,10,7,11]。然而，这些研究在很大程度上依赖于有限的已知行为摘要指标，如活动强度、步数和睡眠时长，而不是将24小时腕部运动建模为连续的行为时间序列。因此，日常运动中蕴含的大量时间组织结构和行为背景仍未被探索。
与此同时，医疗系统正致力于向个性化、预防性和基于家庭的护理转型，这催生了对能在日常生活中客观、持续表征健康状况的测量方法的日益增长的需求。被动可穿戴传感预计将在这一转型中发挥核心作用，腕戴式加速度计因其低成本、易用性、普及性以及大规模捕捉自由生活行为的能力而尤为适用。这一方向在国家医疗保健战略中日益得到体现，包括英国承诺到2035年将可穿戴技术整合到常规护理中[12,13]。然而，实现这一愿景需要能够将连续的行为测量转化为具有临床意义的健康与疾病表征的方法。
自监督学习已成为近期建模复杂生物信号进展的基础，包括葡萄糖[14]、心脏活动[15,16]、睡眠[17]和步态[18]，证明了其从大量无标签数据中提取临床有用特征的能力。本文介绍了Sensori，一个通过自监督训练在24小时腕部运动上的运动基础模型。通过直接建模完整的24小时原始三轴腕部加速度记录，Sensori捕捉了粗糙的预定义行为摘要所未能表示的时间信息。我们表明，其学习到的表征能够表征多种评估任务中的健康状态和身体功能，无需重新训练即可泛化到独立队列，并能改善具有运动相关表型的疾病预测。这些发现确立了连续腕部运动作为一种丰富、通用的信号，用于在日常生活中测量健康与疾病。

### 从24小时腕部运动中学习健康表征
完整的全天三轴腕部运动包含个体在多个时间尺度上的健康与疾病状态信息。局部运动模式，如手腕震颤和步态不对称，可能指示神经系统疾病；而更长期的模式，如长时间身体不活动和不安睡眠发作，则可能反映潜在的健康状况。Sensori是一个深度神经网络，它将这些来自全天记录的多尺度信号整合到日级的健康表征中。该表征支持多样化的下游任务，包括健康状态监测、身体功能评估和疾病预测（图a）。
在10赫兹的采样频率下，24小时的记录每轴产生864,000个观测值，形成的序列长度远超现有运动模型通常使用的输入。为了处理如此长度的序列，Sensori采用多尺度架构，其中池化操作逐步降低时间分辨率。卷积编码器首先每分钟生成一个嵌入向量。然后，平均池化生成五分钟的嵌入，这些嵌入被传递给Transformer以建模全天的时间依赖性。对Transformer输出进行第二次平均池化操作，生成一个768维的日级表征（图b，左）。
Sensori使用两个互补的预训练目标，旨在捕捉不同时间尺度上的运动模式：掩码重建和日级对比学习。我们在系统评估了替代的预训练策略后选择了这种组合（补充图和补充表）。对于掩码重建，随机掩码掉提供给Transformer的五分钟嵌入子集，模型从剩余的输入中重建这些嵌入，从而学习一天内运动片段之间的上下文关系。日级对比学习鼓励来自同一个人不同天的表征彼此之间比来自不同人的表征更相似，从而促进捕捉跨天稳定的运动特征（图b，右）。
我们的研究利用了来自英国、中国和美国的四个基于人群的队列：UK Biobank [3]、China Kadoorie Biobank [4]、English Longitudinal Study of Ageing [19]和National Health and Nutrition Examination Survey [5,6]。每位参与者在UKB、CKB和NHANES中佩戴腕戴式加速度计最多七天，在ELSA中最多八天。经过质量控制后，122,640名参与者贡献了683,617人天的腕部加速度计记录：来自UKB的94,089人天，来自CKB的20,626人天，来自ELSA的3,320人天，以及来自NHANES的4,605人天（补充图）。除NHANES外，所有队列的参与者中位年龄均在60岁以上；女性多于男性，中位身体质量指数（BMI）至少为24.3 kg/m²。设备测量的运动行为在队列间也存在差异。CKB的参与者最为活跃（中位日步数：10,105；第25-75百分位数：7,306–13,165），睡眠时长最短（中位数：6.03小时；第25-75百分位数：5.23–6.80小时），而UKB的参与者活跃度第二（中位日步数：7,938；第25-75百分位数：6,007–10,126），睡眠时长最长（中位数：6.86小时；第25-75百分位数：6.24–7.42小时）。各队列特定的研究时期、加速度测量方案和人群特征见表。
预训练数据集包括UKB和CKB约80%的参与者（n=91,037），提供了502,823人天的加速度计记录。UKB和CKB剩余的20%参与者，以及ELSA和NHANES的所有合格参与者（n=31,603），被保留用于下游评估，并提供了180,794人天的记录（图c，左）。健康状态监测在所有四项研究中进行评估，而身体功能评估在UKB、ELSA和NHANES中进行（补充表）。疾病相关任务仅在UKB中进行评估，因为疾病表型需要整合多个数据源，且发病风险预测需要长期随访数据。