[论文] Deep Learning for Sleep Heart Rate Estimation from Accelerometers: Tow...

论文概要

研究领域: Health AI
作者: Tanbin Islam Rohan, Pranjol Sen Gupta, Tanusree Debi, Nazmus Sakib
发布时间: 2026-10-05
arXiv: 2610.06823

中文摘要

大型纵向队列通常包含腕部加速度计数据但缺少光学心率传感，这促使从睡眠期间已收集的运动信号中恢复心脏信息。我们提出 SeqSmoother，一个基于 Transformer 的睡眠心率（HR）估计时序校正器。SeqSmoother 结合频谱描述符、一个中间 Nightbeat 导出的频率锚点和一个物理启发的次谐波特征——设计用于识别谐波频率锁定。所有推理时特征均来自腕部加速度计，而 ECG 仅用于构建参考心率标签和训练标签质量权重。使用13个参与者分离的留出折进行评估，并与 Nightbeat 官方实现在匹配的60秒窗口和15秒步长协议下比较。SeqSmoother 实现了1.60 bpm 的参与者宏平均 MAE。在 Nightbeat 保留的匹配区间上，Nightbeat 实现了比 SeqSmoother 更低的绝对误差（0.615 对 1.091 bpm），但 SeqSmoother 在更大比例的合格记录上提供了估计——Nightbeat 仅为 SeqSmoother 合格样本外网格的72.85%产生了最终估计。另外，提出的次谐波比率达到0.972的 AUROC 用于识别参考定义的谐波锁定候选。这些发现揭示了学习时序建模与质量门控信号处理之间的精度-可用性权衡。

原文摘要

SeqSmoother is a transformer-based temporal corrector for sleep heart rate estimation from wrist accelerometry, achieving 1.60 bpm participant-macro MAE with broader coverage than the quality-gated Nightbeat baseline.

自动采集于 2026-10-07

#论文 #arXiv #HealthAI #小凯