
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于周期性多尺度建模提升可穿戴设备生理信号缺失数据插补精度
《Scientific Reports》:Missing data imputation for wearable time series
【字体: 大 中 小 】 时间:2026年09月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要通过可穿戴设备进行连续生理监测能够实现疾病的早期检测、诊断和治疗。然而,对缺失数据进行准确估计至关重要。可穿戴设备获取的生理信号在观测中通常具有周期性结构,而缺失机制可能遵循不同的模式。大多数插补方法忽略了这些潜在的周期。我们提出了一种周期性多尺度插补(PMSI)框架用于
通过可穿戴设备进行连续生理监测能够实现疾病的早期检测、诊断和治疗。然而,对缺失数据进行准确估计至关重要。可穿戴设备获取的生理信号在观测中通常具有周期性结构,而缺失机制可能遵循不同的模式。大多数插补方法忽略了这些潜在的周期。我们提出了一种周期性多尺度插补(PMSI)框架用于插补缺失数据,对观测值和缺失模式的多尺度周期依赖关系进行建模。该过程分为三个阶段:(1) 识别候选周期;(2) 将序列转换为与选定周期对齐的多维张量;(3) 使用赤池信息量准则的两层最小化优化超参数。PMSI首先对缺失机制进行建模并生成合成掩码以进行优化,然后利用周期性估计缺失值。我们使用智能手表获取的心率数据集验证了PMSI,该数据集包含高依从性队列中的558个参与者-月序列和低依从性队列中的1,957个序列。频谱分析显示,缺失机制中存在日周期和3.5天周期(可能是智能手表充电),观测值中存在日周期和周周期。最优PMSI算法采用小时分辨率和日周期,优于五种标准插补方法:k近邻、自回归积分滑动平均、卷积神经网络、分段线性插值和前值填充。PMSI表现最佳:在高依从性队列中,均方根误差(7.53对比8.18–10.01)和平均绝对误差(6.04对比6.60–8.16)均优于其他方法;在低依从性队列中,均方根误差(8.81对比9.02–15.86)和平均绝对误差(6.60对比6.96–12.44)也优于其他方法(所有校正后p?0.05)。PMSI通过建模周期依赖关系提高插补准确性,在健康相关时间序列中具有广泛的应用前景。