《Frontiers in Digital Health》：Baseline normalization choices inflate classification performance in wearable health monitoring: quantification and mitigation strategies
编辑推荐：
可穿戴健康监测系统提供连续的生理测量，在临床和人群健康应用中日益广泛。基线归一化能够对生理信号进行个体特异性校准，以解释受试者间变异性；然而，关于归一化窗口与评估数据之间的时间关系如何影响报告的分类性能，系统评估仍然有限。以生理焦虑检测为案例，研究人员使用Ph
可穿戴健康监测系统提供连续的生理测量，在临床和人群健康应用中日益广泛。基线归一化能够对生理信号进行个体特异性校准，以解释受试者间变异性；然而，关于归一化窗口与评估数据之间的时间关系如何影响报告的分类性能，系统评估仍然有限。以生理焦虑检测为案例，研究人员使用PhysioNet Spider Fear数据集（52名参与者，包括心脏活动、皮肤电导和呼吸测量）调查了这一方法论挑战，比较了归一化方法和三种基线选择策略。在保持严格的受试者独立划分的同时，研究人员表明，将归一化基线包含在评估窗口内（测试包含基线归一化）产生了89%–93%的准确率，而排除基线窗口时（测试排除基线归一化）则产生了77%–85%的准确率，差异为3–13个百分点，且在不同分类器、窗口大小和类别平衡条件下一致。两种使用生理上不同基线状态（休息 vs. 焦虑）的测试排除策略表现相当，表明性能差异是由时间重叠而非基线选择驱动的。全特征归一化相对于未归一化特征将平衡准确率提高了11%–18%；然而，在去除时间重叠后，不同归一化方法之间的性能没有差异。长时间刺激暴露与平衡准确率降低4–7个百分点相关，符合习惯化效应。将窗口时长从10秒增加到60秒与更高的平衡准确率相关（72%–74% vs. 78%–79%），而数据增强在中等类别不平衡下并未改善性能。研究人员建议明确报告基线时间边界，以实现跨研究的准确性能比较和可穿戴健康监测临床适用性的可靠评估。
**论文解读：可穿戴健康监测中基线归一化选择对分类性能的影响——量化与缓解策略**
**研究背景与研究问题**
焦虑障碍影响全球约4%的人口（超过3亿人），传统诊断依赖主观自评问卷（如状态-特质焦虑问卷STAI）和周期性临床观察，缺乏客观、连续的监测手段。可穿戴传感器技术与机器学习的发展使得通过生理信号（如心电图ECG、皮肤电活动EDA、呼吸RSP）自动检测焦虑状态成为可能，已有研究报道分类准确率高达98%。然而，这些性能评估中普遍存在一个关键的方法学问题：基线归一化（baseline normalization）——即利用个体特异性基线校准生理信号以消除受试者间变异性——其计算窗口与评估数据的时间关系尚未被系统评估。当归一化统计量来源于随后出现在测试集中的数据时（即测试包含基线归一化，test-inclusive baseline normalization），性能估计可能被人为夸大。此外，重复刺激暴露可能诱发习惯化效应（habituation effects），导致生理反应衰减；特征提取窗口长度（10秒至5分钟不等）的选择存在实时性与准确率之间的权衡；类别不平衡（焦虑样本多于休息样本）下数据增强技术的有效性也未明确。因此，本研究旨在系统量化这些因素对生理焦虑检测分类性能的影响，并提出缓解策略。
**研究内容与结论**
研究人员利用公开的PhysioNet Spider Fear数据集（包含52名蜘蛛恐惧症参与者的ECG、EDA、RSP记录，经质量筛选后保留52人），以生理焦虑检测为案例，系统比较了三种基线选择策略（rest_5：包含全部5分钟休息期，与评估数据重叠；rest_2：仅使用前2分钟休息期，完全排除于评估集之外；anxiety：使用后续焦虑片段作为基线，确保评估独立性）、八种归一化方法（减法、增量、相对增量、对数、Z-score、最小-最大缩放、部分归一化、无归一化）、四种窗口时长（10、20、30、60秒）以及四种数据增强策略（不平衡训练、简单过采样、合成少数类过采样技术SMOTE、噪声注入），并采用九种机器学习分类器（TabPFN、QDA、随机森林、XGBoost等）进行受试者独立划分的五折交叉验证。研究得出以下结论：测试包含基线归一化（rest_5）使平衡准确率（balanced accuracy）膨胀3–13个百分点（89%–93% vs. 77%–85%），且该效应在分类器、窗口大小和类别平衡条件下一致；两种测试排除策略（rest_2与anxiety）性能相当，表明性能差异由时间重叠驱动而非基线选择；全特征归一化相比无归一化提升平衡准确率11%–18%，但六种全特征归一化方法间无统计学显著差异；长时间刺激暴露（8个焦虑片段 vs. 3个片段）导致平衡准确率降低4–7个百分点，支持习惯化效应；窗口时长从10秒增至60秒使平衡准确率从72%–74%提升至78%–79%；在中等类别不平衡（2.67:1）下，数据增强策略未能带来额外收益。该研究发表于《Frontiers in Digital Health》。
**关键技术方法**
研究人员主要采用以下关键技术方法：基于PhysioNet Spider Fear数据集（52名参与者，来自单中心，包含ECG、EDA、RSP信号，采样率100 Hz），对原始信号进行标准预处理（ECG带通滤波5–12 Hz后经Pan-Tompkins算法检测R波，RSP带通滤波0.1–0.4 Hz后检测呼吸波，EDA低通滤波1.5 Hz后分解为紧张性和相位性成分），并提取27个特征（ECG 11个，RSP 11个，EDA 5个）。使用最小冗余最大相关性（mRMR）算法选择15个特征。采用受试者独立划分（35人训练，7人验证，10人测试），生成5个独立划分。比较三种基线选择策略和八种归一化方法，评估四种窗口时长和四种数据增强策略，使用九种分类器，以平衡准确率为主要评价指标，并采用重复测量非参数统计（Friedman检验、Wilcoxon符号秩检验、Nemenyi检验）进行假设检验。
**研究结果**
**3.1 分类性能与统计验证**
通过比较三种基线选择策略（rest_5、rest_2、anxiety）和四种最优秀分类器（TabPFN、QDA、RF、XGBoost）在四个实验任务上的表现，发现rest_5策略在所有任务中均取得最高平衡准确率（Task 1：0.91 vs. 0.82/0.83；Task 2：0.86 vs. 0.75/0.73；Task 3：0.79 vs. 0.75/0.76；Task 4：0.76 vs. 0.70/0.64）。统计检验证实rest_5显著优于两种测试排除策略（p<0.001），而rest_2与anxiety之间无显著差异（p=0.328）。六种全特征归一化方法形成统计同质组（p值0.996–1.000），而无归一化显著退化（p<0.001），部分归一化表现居中但未达统计显著。
**3.2 窗口时长效应**
在早期暴露任务（3焦虑片段 vs. 3休息片段）中，平衡准确率随窗口时长单调增加：rest_5从10秒的0.76增至60秒的0.86（R2=0.9587），rest_2从0.72增至0.78（R2=0.8598），anxiety从0.74增至0.79（R2=0.8779）。统计检验证实几乎所有窗口时长转换均具有显著差异和大效应量。
**3.3 数据增强策略的影响**
在Task 2（60秒窗口）和Task 4（10秒窗口）中，四种数据增强策略（不平衡、过采样、SMOTE、噪声注入）的平衡准确率几乎相同（Task 2：0.77–0.78；Task 4：0.70），Friedman检验无显著差异，表明在中等类别不平衡下数据增强不提供额外收益。
**讨论与结论**
讨论部分指出，核心发现是基线归一化与评估数据的时间重叠导致性能膨胀3–13个百分点，且该效应独立于窗口大小、类别平衡和分类器复杂度。两个测试排除策略（rest_2与anxiety）尽管使用不同生理状态（休息 vs. 焦虑）作为基线，但性能等价，进一步证实时间重叠是驱动因素。习惯化效应通过比较早期与延长暴露任务得到证实，生理反应（如心率升高）随重复刺激衰减。全特征归一化方法间无差异，但无归一化显著退化，提示归一化本身比具体变换更重要。窗口时长增加带来性能提升，但实时性要求较高的系统需接受6–8个百分点的准确率损失。数据增强在中等不平衡下无效。研究局限性包括：单中心52名参与者、实验室条件、二元分类、基于实验条件而非临床评估定义焦虑。研究建议标准化报告基线时间边界，以确保跨研究可比性和临床适用性。
**结论部分翻译**：本研究显示，方法学选择显著影响生理焦虑检测的报告性能。测试包含基线归一化使平衡准确率膨胀3–13个百分点，该系统性偏差在分类器、窗口大小和类别平衡条件下一致。关键的是，两种测试排除策略表现相当，证实时间重叠而非基线选择驱动膨胀。在测试排除条件下，延长刺激暴露使性能降低4–7个百分点，与习惯化引起的生理反应衰减一致。全特征归一化相比无归一化改善平衡准确率11–18个百分点，而全特征方法间的选择无统计显著影响，允许基于可解释性而非准确率进行选择。窗口时长使平衡准确率从10秒的72%–74%增至60秒的78%–79%，而数据增强在中等类别不平衡下未提供可测量收益。标准化报告基线-测试时间边界和暴露感知实验设计对于可穿戴情感监测的可靠性能评估至关重要。尽管以焦虑检测为框架，这些发现和评估框架可能推广至其他自主神经信号应用，如压力检测、情绪识别、疼痛评估和认知负荷估计。
