Sonata：临床数据稀缺下的惯性运动学混合世界模型

我们介绍了 Sonata，一种紧凑的潜在世界模型，用于临床数据稀缺情况下的六轴躯干 IMU 表示学习。临床队列通常包含数十到数百名患者，使得网络规模的掩蔽重建目标与问题不匹配。 Sonata 是一个 3.77 M 参数混合模型，在由 9 个公共数据集（739 个主题，190k 个窗口）组成的统一语料库上进行了预训练，其潜在世界模型目标是预测未来状态而不是重建原始传感器轨迹。在与同一主干上匹配的自回归预测基线 (MAE) 的受控比较中，Sonata 在 14 臂评估套件中产生了一致更强的冻结探针临床辨别力、前瞻性跌倒风险预测和跨队列转移，同时产生更高等级、更结构化的潜在表示。该模型的参数为 3.77 M，与设备上的可穿戴推理兼容，为神经评估的通用运动学世界模型迈出了一步。