使用时间序列基础模型对消费类可穿戴设备进行零样本心率变异性预测

短期心率变异性 (HRV) 预测可以为临床医生提供可操作的提前时间来检测自主神经功能障碍和不良心脏事件。消费者可穿戴设备会生成碎片化、伪影丰富的 HRV 信号，这对传统的预测方法提出了挑战。在本研究中，我们根据从 49 名健康个体收集的真实世界可穿戴数据的传统基线（均值、指数平滑和指数加权移动平均）评估了三种时间序列基础模型 (TSFM)、TimesFM、Chronos 和 MOIRAI 的预测能力。为了解决数据碎片问题，我们引入了一种保留变异性的插补方法，该方法通过局部自适应随机噪声增强线性插值，保留对于准确预测至关重要的生理动态。结果表明，TSFM 的性能优于没有 微调 的所有基线，在 TSFM 和两个上下文长度（32 和 64 个时间步）中实现平均绝对比例误差 (MASE) 在 0.81 到 0.87 之间，其中 Chronos 和 TimesFM 作为顶级模型，尽管 MOIRAI 相对于基线的增益有限。通过长达 2 小时的预测范围，结果为 TSFM 在真实世界数据集上的性能建立了基线，强调了特定领域的 微调 作为临床部署的一个有前途的方向。