使用语言模型从可穿戴数据实现个性化睡眠指导

使用可穿戴数据进行睡眠监测已显示出对个人健康的希望，但基于大语言模型（LLM）的总结和问答仍然不足以提供个性化睡眠指导。然而，训练专门的模型通常需要昂贵的专家注释。此外，隐私和可访问性问题促使最终用户进行轻量级本地部署。我们提出了一个两阶段框架来应对这些挑战。具体来说，在 Stage~1 中，多代理 LLM 管道从未注释的可穿戴记录中推理出结构化睡眠指导，从而实现可扩展的数据集构建。 Stage~2 通过监督微调将指导推理轨迹提炼为小语言模型 (SLM)，并集成免训练的 Best-of-$N$ 选择策略来增强推理。实验结果表明我们的方法优于商业普通和医学大语言模型以及开源模型。人类评估进一步支持生成的指导的质量以及使用 SLM 进行个性化睡眠指导的可行性。