移动健康多层面行为预测深度学习架构的比较研究

可穿戴设备和智能手机生成丰富的行为时间序列，可以支持主动的健康干预措施，但缺乏对这些数据的现代预测架构的系统比较。特别是，目前尚不清楚模型如何在人群中推广、不同的架构如何响应参与者级别的 微调 以及预测准确性如何在多日范围内下降。我们对六种深度学习架构、两种零样本基础模型 (FM) 和包含 800 多名参与者的三个公共数据集的统计基线进行了基准测试，报告了 1-8 天范围内步数、屏幕时间和睡眠持续时间的每个特征指标。我们进一步对所有六种架构进行了按功能个性化研究，并评估了跨数据集大小和时间粒度的 FM 可转移性。我们的主要发现是：（i）没有单一架构占主导地位，PatchTST 在经过训练的模型中领先，而三个亚军（TCN、MLP、Transformer）没有表现出有意义的性能差异； (ii) FM TimesFM 匹配或超过零样本训练模型，尤其是在低数据情况下，以及 (iii) 参与者级别的 微调 将每个特征 RMSE 降低了 16-60%，其中睡眠受益最多，步数受益最少。这些结果为移动健康预测的架构选择、FM 适用性和个性化策略提供了实用指导。据我们所知，这是第一项联合评估现代深度学习、FM 和可穿戴设备多视野行为预测个性化的研究。