自适应数据选择改善低基线性能下的可穿戴预测

arXiv cs.LG 论文
adaptive-sensing wearable-health data-selection machine-learning health-monitoring

摘要

本文评估了可穿戴健康预测中的自适应数据选择策略，发现该方法显著提升了低基线性能参与者的AUROC，但对强基线参与者改善有限。

arXiv:2606.00141v1 公告类型：新 摘要：自适应感知策略通过选择性采样数据，在有限数据预算下提升预测性能，已越来越多地应用于可穿戴健康系统，但其对不同个体的益处尚不明确。本研究基于纵向可穿戴数据集，评估了在固定测量预算下，对心率、活动及生态瞬时评估（EMA）等多种感知模态进行模型训练时的时间窗口自适应选择。我们通过受试者工作特征曲线下面积（AUROC）和F1分数，量化了相对于随机采样的性能提升。自适应策略对低基线性能参与者的AUROC有显著提升（增益高达0.7），而对强基线参与者的增益有限或为负。跨模态来看，自适应增益与基线性能呈强负相关（Pearson r = -0.67；Spearman ρ = -0.62）。在个体层面，大多数参与者的AUROC受益（各模态60-80%），但F1的提升较小且一致性较差。这些发现表明，自适应感知并非普遍有益，而是在表现欠佳的场景中价值最大。我们的结果支持基于基线性能定制自适应感知的选择性部署策略，以提高可穿戴健康监测的效率。
查看原文
查看缓存全文

缓存时间: 2026/06/02 15:39 

# 自适应数据选择在低基线性能下改善可穿戴预测
来源：https://arxiv.org/abs/2606.00141
查看 PDF (https://arxiv.org/pdf/2606.00141)

> 摘要：自适应感知策略能够选择性地采样数据，在有限数据预算下改善可穿戴健康系统的预测性能，但其在不同个体间的收益尚不明确。本文基于一项纵向可穿戴数据集，在固定测量预算下，对时间窗口的自适应选择进行模型训练评估，覆盖心率、活动及生态瞬时评估（EMA）等多种感知模态。我们使用受试者工作特征曲线下面积（AUROC）和F1分数来量化相对于随机采样的性能增益。对于基线性能较低的参与者，自适应策略在AUROC上带来显著提升（增益最高达0.7），而对于基线性能较好的参与者，增益有限甚至为负。跨模态来看，自适应增益与基线性能呈强负相关（Pearson r = -0.67；Spearman ρ = -0.62）。在参与者层面，大多数个体的AUROC受益（各模态下占比60-80%），但F1分数的改善较小且一致性较差。这些发现表明，自适应感知并非普遍有益，而是在表现不佳的设置中价值最大。我们的结果支持基于基线性能定制自适应感知的选择性部署策略，以提高可穿戴健康监测的效率。

## 提交历史

来自：Ali Kargarandehkordi [查看邮箱 (https://arxiv.org/show-email/56952cd3/2606.00141)] **\[v1\]** 2026年5月29日星期五 00:10:44 UTC（799 KB）

相似文章