FemWear：面向女性健康的参数高效可穿戴基础模型

通用可穿戴基础模型在广泛的传感器流和人群上预训练，但其表示并未围绕女性健康组织。FemWear是一个女性可穿戴基础模型，通过参数高效地将预训练的通用多模态可穿戴主干改造为面向女性健康的特化表示而获得。它保持预训练的patch投影和Transformer编码器冻结，通过低秩残差适配器和因果任务族头训练239,236个编码器参数——占21.54M参数编码器的1.11%——为月经、症状、情感、睡眠/恢复、自主神经、活动和妊娠结局产生一个共享的纵向表示。我们在六个队列上用63个可比主要指标评估，其中33个来自女性健康队列，同时保留32任务的OpenMHC能力保持基准。在固定参与者划分、三个随机种子下，FemWear将周期阶段macro-F1提升8.15%，将痛经、情绪症状和睡眠问题的平均绝对误差分别降低9.32%、5.80%和9.43%；24小时发作AUPRC下降3.40%。在更严格的42名参与者嵌套留一参与者法审计中，24小时发作（+2.87%）、72小时发作（+6.35%）和痛经（+2.19%）保持正向变化，而阶段、情绪和睡眠的变化为中性或负面，且没有任何终点具有严格为正的校正置信区间。容量匹配实验胜过基于最新一日数据的多层感知机，但未能胜过shared-GRU或多门专家混合基线。仅在训练集上做校准将发作预期校准误差降低84.2–88.2%，且零时序嵌套违规。因此，FemWear是一个女性可穿戴基础模型：一种可复现、参数高效的特化，在女性健康任务间提供针对性迁移和连贯的概率输出。