基于迁移学习和策略性过拟合的可穿戴设备数据个性化健康预测AI模型

为解决个性化健康监测难题，研究人员探索了利用策略性过拟合和迁移学习技术开发用户专属预测模型的新方法。通过分析物理活动、睡眠模式等多元特征预测次日状态(NDC)和情绪(NDE)，发现个性化训练10天内即可显著提升准确率。SHAP分析揭示个体特征重要性差异，为数字健康解决方案提供新思路。

　　随着可穿戴设备数据的日益丰富，开发个性化健康监测模型迎来新机遇。与传统依赖群体数据的方法不同，这项创新研究采用"先过拟合后优化"的策略：首先让模型深度适配个人数据（策略性过拟合），再通过迁移学习(Transfer Learning)进行微调。研究重点预测次日身体状况(Next-Day Condition, NDC)和情绪状态(Next-Day Emotion, NDE)，整合了运动量、睡眠质量、环境参数及主观报告等多维度特征。初步实验显示，样本级训练模型在测试集表现良好但泛化能力欠佳，而基于预训练模型的个性化方案仅需10天增量训练就能显著提升预测精度。虽然个体化定制会降低群体泛化性能，但持续的用户专属训练可不断提高个人数据预测准确度。借助沙普利加和解释(SHAP)方法分析发现，不同个体的关键预测特征存在显著差异，这有力佐证了定制化健康模型的必要性。该研究为构建高性能个性化预测模型开辟了新路径，建议后续扩大样本规模、延长训练周期以优化数字健康解决方案。