《Sensors》：Neuro-Symbolic Regulatory Retrieval and Compliance Review for Railway Construction Plans Adjacent to Operating Lines
编辑推荐：
穿戴式病房监测最终必须能够检测到患者离床的时刻，然而与动态活动相比，开启离床过程的短暂姿态转换尚未得到充分研究。作为一项可行性研究，研究人员使用一个公开的腰部佩戴六轴惯性数据集（30名健康受试者），探究哪些传感器轴承载这些转换信息，以及预训练基础模型是否对此有
穿戴式病房监测最终必须能够检测到患者离床的时刻，然而与动态活动相比，开启离床过程的短暂姿态转换尚未得到充分研究。作为一项可行性研究，研究人员使用一个公开的腰部佩戴六轴惯性数据集（30名健康受试者），探究哪些传感器轴承载这些转换信息，以及预训练基础模型是否对此有所帮助。研究人员定义了一个包含四种基本活动和六种方向性姿态转换的十类任务，将两种从躺卧到直立姿态的转换视为与离床相关类别，并采用受试者分组交叉验证进行评估。姿态转换是最弱的类别，其中最弱的是离床转换。移除陀螺仪使宏平均F1（macro-F1）从0.822降至0.647，离床F1从0.657降至0.351（p < 10?4），而躺卧和行走类别不受影响。镜像消融实验区分了两种传感器的贡献：加速度计捕捉姿态，陀螺仪捕捉所有方向性转换。一个六轴手工特征模型在完全微调后仍优于仅使用加速度计的基础模型（0.822对0.774），且所需标签远少于后者。跨越活动段边界的评分窗口使离床灵敏度从0.937降至0.833。在所测试的配置中，传感器选择（尤其是陀螺仪）比模型规模更为重要。这些结果涉及脚本化录音中的转换识别，而非病房中的离床检测。
一、研究背景与问题提出
穿戴式病房监测系统最终需要检测患者离床的时刻，而开启离床过程的短暂姿态转换相较于动态活动长期未获充分研究。住院患者跌倒是最常报告的不良事件之一，其中相当比例导致损伤、住院时间延长或出院时独立生活能力丧失。临床数据显示，79%的跌倒为无人协助，85%发生在患者自己房间，59%发生在晚间或夜间，半数与如厕相关。这些发现将离床启动，特别是从躺卧到坐位或站立的转换，确定为可干预的监测节点。然而，压力垫或称重床垫仅能报告床面负荷变化，无法区分体位调整与真实离床，集群随机试验表明将床报警使用量提高三十倍并未减少跌倒，而减少报警使用的非劣效试验反而降低了患者报告的睡眠干扰。因此，病房监测的识别目标应当是行为层面的：患者在床上保持的姿态，以及将其带离床铺的方向性转换。
人体穿戴惯性传感是实现该行为识别的可行路径，已有专门用于离床信号的低功耗惯性节点、无电池射频识别加加速度计标签以及带陀螺仪的惯性单元等系统验证了可行性。但这些工作均将设备视为固定系统，未追问转换所需的具体传感器轴、预训练表示是否有帮助、以及任务需要多少标注观测。两个临床需求将本应用与消费级活动追踪区分开来：第一，目标是短暂转换而非持续活动，离床仅需数秒且每天发生数次；第二，转换方向承载临床意义，躺到坐与坐到躺产生表面相似的信号，但只有前者表示患者离开床铺。
尽管惯性传感器人类活动识别（HAR）常被描述为已解决问题，标准基准上报告准确率超过95%，但这些基准以步行、爬楼梯等全身动态活动为主，易于区分且病房中基本不存在。临床上重要的短暂姿态转换以及坐与站等低运动姿态的区分相对研究不足。同时，领域内已产生在数百万小时穿戴数据上预训练的大型运动基础模型，但这些模型主要基于加速度计语料训练，这一设计选择对转换识别的影响尚未被检验。由于离床本质上是躯干的旋转，角速率通道的存在与否可能是事件能否被识别的决定性因素，然而传感器配置很少与模型选择一同作为研究变量。
上述问题留下四个待答问题：穿戴惯性单元对病房相关姿态转换的识别能力如何？哪些传感器轴承载转换所需信息？预训练运动基础模型是否优于简单任务特定模型？以及前瞻性病房研究需要资助多少标注床边观察才能学习这些事件？这些问题共同决定设计精力应投入模型规模还是传感器选择，而这一权衡尚未在同时具备加速度计和陀螺仪的数据上得到检验。
二、研究设计与主要方法
研究人员在公开的HAPT数据集（30名19至48岁健康志愿者，腰部佩戴智能手机，三轴加速度计与三轴陀螺仪以50 Hz采样）上开展可行性研究。研究将连续惯性记录分割为2.56秒窗口（50%重叠），每个窗口严格位于单一标注活动段内，映射为包含四种基本活动和六种方向性姿态转换的十类病房相关任务，其中两种躺卧到直立转换被指定为离床事件。研究比较了四种表示：六轴、仅加速度计、仅陀螺仪的手工特征集（每通道18个时域和频域描述符），以及仅加速度计的UniMTS基础模型（冻结线性探针、冻结嵌入加梯度提升树、完全微调三种读出方式）。所有模型在相同的受试者分组五折交叉验证协议下评估，以受试者为分析单位，宏平均F1（macro-F1）为主要指标。标签效率分析在5至80分钟缩减标注预算及完整约156分钟预算下重训练模型，采样单位为整个标注活动段而非单个窗口。部署评分将六轴模型作为离床报警，在概率阈值上扫描，并在跨越活动边界的连续滑动窗口上重新评分。
三、研究结果
3.1 病房相关任务与总览分数的构成：在完整十二类HAPT问题上，六轴手工模型准确率达0.937，逐类F1从躺卧的0.999到躺到站的0.691不等，楼梯类平均0.956而六种姿态转换平均0.760。在十类病房任务上，受试者水平macro-F1为0.822，离床F1为0.657，最低逐类值为躺到站（0.662）和坐到躺（0.701）。六轴模型检测到71%的躺到坐和63%的躺到站转换。混淆矩阵显示302个静态类错误中的大部分为坐与站混淆，方向性转换最常与共享躺卧端点的转换混淆。
3.2 陀螺仪的贡献：移除陀螺仪使macro-F1从0.822降至0.647（配对差异0.176，p = 5.6 × 10?9，30名受试者中29名支持六轴配置），离床F1从0.657降至0.351（差异0.306，p = 3.4 × 10?5）。逐类增益中躺卧和行走几乎不受影响，坐与站各增益约0.08，而所有姿态转换增益0.19至0.37。镜像消融显示仅陀螺仪模型macro-F1为0.706、离床F1为0.512，超过仅加速度计模型但低于六轴模型。加速度计对躺卧远优（0.996对0.696），陀螺仪对全部六种方向性转换均更优（增益0.119至0.253）。重力承载静态姿态，旋转承载转换。
3.3 窗口长度：在生存控制段集上，折叠水平macro-F1随窗口长度从0.64秒的0.720升至2.56秒的0.833，转换平均F1从0.589升至0.761，离床F1从0.557升至0.686。缩短窗口增加窗口数量但降低所有分数。
3.4 标签效率：六轴模型macro-F1从5分钟预算的0.435升至40分钟的0.737和80分钟的0.785，完整预算约156分钟时为0.815，80分钟值达完整预算值的96%。离床F1从5分钟的0.180升至40分钟的0.492和80分钟的0.557，完整预算为0.640且未平台化。训练数据中离床段数量从5分钟预算的平均2.7个增至完整预算的91.2个。罕见转换的事件计数而非观测时长主导标注需求。
3.5 完整标签下的表示比较：六轴手工模型macro-F1为0.822，完全微调基础模型为0.774，冻结线性探针为0.731，仅陀螺仪模型为0.706，嵌入加XGBoost为0.701，仅加速度计模型为0.647。与仅加速度计手工基线相比，冻结线性探针高0.084，完全微调高0.127，预训练并非无效。但完全微调在全部三个种子中均低于六轴模型（平均低0.049）。六轴模型在40分钟标签预算（macro-F1 0.737）即超过仅加速度计冻结探针和嵌入读出在完整预算下的表现。表示排序在随机森林和缩放多项逻辑回归下保持方向和显著性。
3.6 从类别分数到报警：阈值与校准：将离床二分类问题以两类离床概率之和评分，判别力高（ROC曲线下面积0.998，PR曲线下面积0.971），概率接近校准（Brier分数0.0021）。阈值0.20时灵敏度0.941、每小时4.0次窗口级误报；阈值0.70时灵敏度0.870、每小时0.7次误报。模型将22%的躺到坐和26%的躺到站窗口分配到另一离床类而非非离床类，离开床铺的总召回为0.91。
3.7 事件级检测与边界跨越窗口的代价：118个离床段中114个产生至少一个窗口，阈值0.20时事件级灵敏度0.965，略高于窗口级0.941。合并连续标记窗口为单次报警将误报率从每小时4.0降至3.2。在连续滑动窗口上，大多数离床窗口跨越边界（287个中176个），边界跨越窗口性能显著低于内部窗口（macro-F1 0.627对0.823，离床F1 0.474对0.686），合并流上macro-F1从0.823降至0.754，离床灵敏度从0.937降至0.833。
四、讨论与结论
在临床意义上，对跌倒预防最重要的动作，即患者离床的时刻，也是穿戴传感器最难识别的。普通病房活动如躺卧和步行识别良好，但命名患者达到的确切直立端点不可靠（躺到坐召回0.71，躺到站召回0.63），大多数错误是两种离床转换之间的混淆而非漏检离床本身。作为二分类报警，模型在约每小时三次误报下标记了93%的离床窗口。前瞻性研究需要提高的是端点分辨率和连续流上的报警稳健性，而非离床检测本身。识别这些离床时刻依赖于捕捉身体旋转，陀螺仪提供这一信号而更大规模的预训练模型无法自行提供。在所测试的配置中，包含陀螺仪的传感器选择比采用缺乏陀螺仪的大型预训练模型贡献更大。
结构性的论证先于经验性比较：对发布权重的审计表明，无论规模如何，仅加速度计的运动基础模型都没有陀螺仪输入位置，因此结论不依赖于评测了哪个具体模型。完全微调将仅加速度计基础模型提升至远高于同输入的仅加速度计手工基线，证明预训练并非无效，但同一微调模型仍低于在笔记本电脑上数秒即可训练的六轴手工模型。差距不归因于模型弱而归因于其可用输入。适应无法恢复输入从未携带的信息。
研究结论受限于其作为公共数据可行性基准的设计。转换识别结果来自30名19至48岁健康志愿者执行脚本活动的单一公共队列，无外部惯性验证。目标患者更年长、更虚弱，起身更缓慢且分段进行，可能借助手臂或床栏推起，可能连接管线或引流管，神经或肌肉骨骼损伤改变陀螺仪所见旋转的幅度和形状。已有工作在健康与患者群体中检测姿态转换显示阳性预测值和灵敏度从健康者的98%和95%降至疾病参与者的89%和89%。公共数据结果应视为上界。临床相关的对比是留在床上与离开床，但公共语料仅将躺卧标注为静态姿态，患者保持卧位时的移动未被表示，惯性监测能否区分床上重新定位与离床启动仍待床边标注数据回答。
结论：在识别开启离床的姿态转换方面，所测试配置中传感器配置比模型规模更重要：六轴手工模型、其仅加速度计和仅陀螺仪消融、以及一个仅加速度计基础模型。陀螺仪承载区分这些转换的信号，移除它使离床F1大致减半，镜像消融显示重力承载静态姿态而旋转承载全部六种方向性转换。六轴手工模型在完全微调后仍优于预训练的仅加速度计运动基础模型，且所需标注数据远少。标签需求似乎随罕见转换事件数量而非仅观测时长扩展。这些是上界估计，在跨越活动段边界的窗口上离床灵敏度从0.937降至0.833，队列为执行脚本活动的健康志愿者而非病房患者。研究显示腰部佩戴传感器能识别开启离床的姿态转换，但未证明病房中的离床检测，不产生临床性能主张。在此界限内，研究结果为计划中的前瞻性病房研究指定了具体输入：包含陀螺仪的传感器套件，以及按目标离床事件计数而非观测小时数设计的标注协议。
