《Journal of Intelligent Medicine》：Personalized multimodal physiological modeling of menstrual cycle dynamics using endocrine, metabolic and wearable signals
编辑推荐：
月经周期追踪长期受限于现有基于可穿戴设备方法中生理覆盖范围有限以及泛化性不一致的问题，这类方法通常依赖单一感知模态，无法完整刻画月经生理的复杂性。研究人员提出一种个性化多模态机器学习框架，用于月经周期阶段分类，通过激素、葡萄糖、心率变异性以及呼吸衍生信号，整合
月经周期追踪长期受限于现有基于可穿戴设备方法中生理覆盖范围有限以及泛化性不一致的问题，这类方法通常依赖单一感知模态，无法完整刻画月经生理的复杂性。研究人员提出一种个性化多模态机器学习框架，用于月经周期阶段分类，通过激素、葡萄糖、心率变异性以及呼吸衍生信号，整合内分泌、自主神经、代谢与呼吸生理。利用开源mcPHASES数据集，对42名受试者共126个月经周期在固定90天监测期内进行分析。每日生理测量被转化为统计、频谱与非线性描述符，并采用Extra Trees集成分类器，在防泄漏的五折交叉验证以及折内合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）平衡下建模。激素衍生特征始终提供最强的单模态预测性能，反映内分泌调节在月经生理中的核心作用。然而，多模态整合产生最高总体分类性能，较最强单模态模型取得一致的中位macro F1提升+0.0156（Wilcoxon符号秩检验，p = 8.0 × 10?6；效应量 r = 0.87）。尽管绝对提升不大，但在受试者间高度一致，表明多模态整合主要通过互补生理信息增强预测稳健性，而非带来大幅性能增益。受试者最优感知配置存在显著变异（归一化熵 = 0.834），显示明显个体间生理异质性。综上，月经周期预测更应视为个性化多模态推断问题，而非常规传感器优化任务。内分泌生物标志物提供卵巢活动的主要表征，自主神经、代谢与呼吸信号提供互补且情境依赖的信息，从而细化个体预测。该自适应多模态框架为可扩展精准月经健康分析、纵向生殖监测与新一代个性化可穿戴健康技术奠定基础。
《Journal of Intelligent Medicine》刊发的该项研究中，研究人员指出月经周期是生殖系统的核心生物学过程，由下丘脑-垂体-卵巢（HPO）轴协调，传统分为早卵泡期、晚卵泡期、早黄体期与晚黄体期。现有追踪方法如症状记录、基础体温（BBT）、激素检测和天数计数存在负担重、校准依赖强、泛化不一致等问题；单纯可穿戴单模态难以完整表征月经生理复杂性，因此研究人员开展基于内分泌、代谢、自主神经与呼吸多模态信号的个性化月经周期阶段分类研究。
研究背景方面，准确月经阶段追踪有助于理解正常生理变异、识别多囊卵巢综合征（PCOS）、子宫内膜异位症等病理改变，并支持生育意识与个体化自我管理。但既有可穿戴研究多关注单模态，缺乏系统整合因果驱动与下游生理响应，因此本研究利用mcPHASES公开数据集，将激素、葡萄糖、心率变异性（HRV）与呼吸信号融合，把卵泡期与 fertile window 合并为“卵泡/生育期”，与黄体期、月经期构成三分类任务。
关键技术方法上，研究人员采用mcPHASES队列：42名参与者、每人固定90天、共126个周期；设备含Mira Plus分析仪测黄体生成素（LH）、雌酮-3-葡萄糖醛酸苷（E3G）与孕二醇葡萄糖醛酸苷（PdG），Fitbit Sense测HRV与睡眠呼吸，Dexcom G6测葡萄糖。每日聚合窗口提取统计、差分、积分、频谱、非线性特征；使用Extra Trees集成分类器，五折交叉验证中仅在训练折做SMOTE，防泄漏；以macro F1为主评价指标。
研究结果如下。
3.1 Person specific：研究人员发现最优预测配置分散于多种模态组合，无单一配置通用于所有人；激素特征最常构成高性能模型基础，但葡萄糖、HRV、呼吸的附加贡献个体差异大。多模态整合使多数人macro F1改善或持平，分布中位数上移、四分位距略减，说明融合主要细化内分泌表征而非引入全新信息；归一化熵0.834证明个体间异质性强，月经阶段分类本质是个性化多模态推断问题。
3.2 Generalized discussions and key findings：群体层面，含激素配置始终居性能最高层，全多模态仅略优于精简激素组合，呈现性能饱和；缺激素的HRV、呼吸单模态明显下降。多模态带来稳定上移而非峰值突增，属分布式信息整合与方差降低。图级结果表明激素提供主结构，葡萄糖为最强可穿戴单模态，HRV与呼吸独立性能较低。最优多模态排名紧密聚拢，说明补充模态可据可用性、偏好灵活替换。个体层面最优辅助模态不同，受生理耦合、传感器保真度、活动、压力、体质指数等影响。
讨论部分总结：研究人员强调多模态价值不在大幅准确率放大，而在稳健性与个性化推断；群体上激素是主导轴，个体上最优组合高度异质。macro F1避免多数类偏差；高配置熵说明应转向自适应模态选择而非群体最优。研究支持少传感器、低计算负担、高依从性的转化路径，把月经阶段视为跨生物系统表达的潜态。
结论部分翻译：该研究揭示多模态生理感知可支持可靠月经阶段分类，其首要贡献在于增强稳健性与实现个性化建模，而非大幅绝对性能提升。激素衍生特征始终构成主导预测轴，反映其对月经周期调节的直接作用；葡萄糖、HRV与呼吸提供互补信息并逐步细化预测。群体层面，全多模态与精简激素组合差距狭窄，显示性能饱和与边际收益递减；个体层面，高配置熵表明预测结构本质具受试者特异性。综上，多模态融合是有界性能区内的稳定性驱动、情境丰富化机制，并将月经周期建模定位为需要自适应、个体特异性感知策略的精准问题。局限包括队列规模与固定观测窗限制泛化，激素标签依赖人工录入，日聚合掩盖细时间交互，单一框架且缺跨队列验证。未来应扩大多样队列、纵向跟踪、临床人群验证，并发展逐个体模型选择、动态模态加权与时间建模。
