PhysicalForwardPersistent：面向体育教育与运动干预的炎症反应模式自监督学习识别框架

《Frontiers in Physiology》：Self-supervised learning for inflammatory response pattern recognition in physical education and exercise interventions

　　

研究人员提出PhysicalForwardPersistent，一种自监督学习（self-supervised learning）框架，用于识别与体育教育和运动干预相关的炎症反应模式。该方法处理包含炎症相关生物标志物、生理测量和运动描述符的结构化多变量生理序列，将无标签表示学习与有标签下游评估分离。PhysicalForwardPersistent集成了三个组件：物理一致性编码器（Physical Consistency Encoder）在生理允许的扰动下学习稳定表示；前向一致性投影器（Forward Consistency Projector）对时间潜在状态演化进行建模；持久关系提取器（Persistent Relation Extractor）保留生理特征之间的稳定关系。该框架在四个数据集上进行了评估：体育活动炎症反应数据集（Physical Activity Inflammation Response Dataset）、运动诱导细胞因子模式数据集（Exercise Induced Cytokine Patterns Dataset）、自监督学习炎症数据集（Self-Supervised Learning Inflammation Dataset）和体育教育干预生物标志物数据集（Physical Education Intervention Biomarker Dataset）。这些数据集包含约1000名参与者和约8000个生理样本，每个序列有14–24个输入变量和2–5个时间点观测。使用参与者级分离和重复运行，PhysicalForwardPersistent实现了89.23%–90.23%的准确率和88.34%–89.34%的宏F1（macro-F1）分数。与最强基线相比，其准确率最多提高1.78个百分点，宏F1最多提高1.89个百分点，并在多重比较校正后具有显著改善。消融实验证实所有三个组件均产生正向贡献。这些结果证明了联合建模表示稳定性、时间动态和关系结构对炎症反应模式识别的价值，但在实际部署前仍需进一步的生物学和前瞻性验证。

体育教育和结构化锻炼不仅影响体能，也影响免疫和炎症过程。运动相关炎症并非一律有害，单次运动可诱导循环细胞因子和免疫细胞活性短暂变化，而重复训练可能产生不同或更多样的适应性改变。这些反应取决于运动强度、方式、参与者特征和测量时间点。从生理学看，运动诱导的炎症涉及骨骼肌、循环免疫细胞、代谢应激和全身炎症信号的协调互动。白细胞介素-6（interleukin-6, IL-6）对运动尤为敏感，肿瘤坏死因子-α（tumor necrosis factor-alpha, TNF-α）和白细胞介素-1β（interleukin-1 beta, IL-1β）也提供促炎信息，抗炎介质如IL-10和C反应蛋白（C-reactive protein, CRP）用于描述系统炎症状态。因此，炎症反应模式更适合看作多变量轨迹，而不是单时间点单标志物改变。计算上面临的挑战是：生理数据常有多标志物和生命体征纵向测量，但可靠标注远少于数据量。自监督学习已用于心脏信号和临床时间序列，但直接迁移到运动相关炎症识别存在困难，因为需要同时保持测量变异下的稳定性、刻画运动与恢复阶段变化，并利用样本间关系。为此，研究人员提出PhysicalForwardPersistent框架。

PhysicalForwardPersistent是一个自监督学习框架，用于结构化多变量生理序列的炎症反应模式识别。框架包含物理一致性编码器、前向一致性投影器和持久关系提取器，分别对应表示稳定性、时间演化建模和样本间关系保持。自监督阶段不使用炎症标签，标签仅用于下游分类评估。在四个数据集上，该方法取得89.23%–90.23%准确率和88.34%–89.34%宏F1，优于最强基线，且消融实验证实三个组件均正向贡献。意义在于证明联合建模表示稳定性、时间动态和关系结构对炎症模式识别的价值，但实际部署前还需生物学和前瞻性验证。

研究人员使用四个数据集：体育活动炎症反应数据集（240名参与者，1920个样本，18维，4时间点）、运动诱导细胞因子模式数据集（180人，1440样本，14维，5时间点）、自监督学习炎症数据集（320人，2560样本，24维）、体育教育干预生物标志物数据集（260人，2080样本，20维，2时间点）。每个样本按时间顺序排列成多变量序列。框架用共享的物理一致性编码器（采用两层门控循环单元（gated recurrent unit, GRU），隐维128）编码两个可允许扰动视图，对比损失（温度τ=0.2）促进扰动不变表示；前向一致性投影器（128–256–128多层感知机（multilayer perceptron, MLP））以当前潜在状态预测下一状态的表示，用停止梯度的均方误差作为无标签目标；持久关系提取器用高斯核（σ=1.0）计算样本间关系矩阵，最小化两个视图间关系差异。三个损失权重为λ_pc=1.0, λ_fc=0.5, λ_pr=0.1。数据按参与者级70/15/15划分，预处理参数仅从训练集估计，使用5个随机种子重复实验。

**比较现有方法（Comparison with SOTA methods）**
研究人员将PhysicalForwardPersistent与ViT、DeiT、MobileNet、EfficientNet、ConvNeXt和ShuffleNet在统一协议下比较。在“体育活动炎症反应数据集和运动诱导细胞因子模式数据集上的结果”中，该方法准确率分别为89.23%和90.12%，宏F1分别为88.34%和89.34%，最强基线均为ViT（F1 86.45%和87.73%），F1提高1.89和1.61个百分点。在“自监督学习炎症数据集和体育教育干预生物标志物数据集上的结果”中，准确率分别为89.67%和90.23%，宏F1分别为88.78%和89.33%，最强基线为EfficientNet（F1 87.44%和88.55%），提高1.34和0.78个百分点。“统计比较”表明，经Holm–Bonferroni校正后，所有F1改进在p<0.05水平显著。“总体解释”指出，改进幅度随数据时间结构而变化，时间信息越丰富，提升越大。

**消融实验（Ablation study）**
在“物理一致性的贡献”中，移除L_pc导致平均F1下降约1.37个百分点，是三个组件中最大；在“前向一致性投影的贡献”中，移除L_fc平均下降约0.89个百分点，在时间信息更丰富的数据集上作用更大；在“持久关系提取的贡献”中，移除L_pr平均下降约0.51个百分点，在异质性较高的自监督学习炎症数据集上贡献最大。“消融结果的统计稳健性”显示，所有移除导致的性能下降均显著。

讨论指出，运动引起的炎症反应是多变量且时间动态的，单次运动后IL-6升高可能是正常生理适应，IL-1β和TNF-α变化较小或更不一致；CRP作为系统炎症标志物其时间关系与快速细胞因子不同。运动强度显著影响急性反应轨迹，前向一致性通过保留时间顺序区分短暂升高与持续升高。急性运动反应与长期训练适应不同，长期训练不一定一致降低所有炎症标志物。物理一致性增强对测量噪声和生物波动的鲁棒性，持久关系保留在异质性个体间的稳定关系，可能有助于识别偏离典型模式的个体，但不能独立诊断过度炎症或用于处方。当前结果证明预测关联而非因果机制，仍需特征归因、外部前瞻性验证等。

在本研究中，研究人员提出了PhysicalForwardPersistent，一种利用与体育教育和运动干预相关的结构化多变量生理观察进行炎症反应模式识别的自监督学习框架。该框架集成了物理一致性编码、前向一致性投影和持久关系提取三个互补的学习机制。其核心特征是将无标签表示学习与有标签下游评估分离。在统一的参与者级实验协议下，PhysicalForwardPersistent在四个数据集上取得了最高的平均准确率、精确率、召回率和F1分数。消融实验表明，三种学习机制均对预测性能有正向贡献，其中物理一致性贡献最大，前向一致性在时间观测更丰富时价值突出，持久关系提取通过保持群体水平关系提供补充改进。这些发现支持在运动相关炎症数据中联合建模表示一致性、时间动态和关系结构的计算价值。然而，当前结果证明的是预测关联而非因果炎症机制。未来工作需进行外部前瞻性验证、更详细的生理可解释性研究、连续炎症反应估计以及不确定性评估等，才能考虑实际部署。