TimeCap：用于为可穿戴健康时间序列数据生成字幕的可扩展开源流水线

arXiv:2610.21274v1 公告类型：新 摘要：在工业、环境，尤其是健康领域中持续生成的时间序列数据会产生多模态信号，其规模和异质性使处理与解释极具挑战性。时间序列语言模型（TSLM）有望实现对这些信号的可扩展解释，但目前仍受一个根本性问题制约：缺乏以文本标注的时间序列对，且这些数据对需要以信号为依据、可复现，并能跨模态和模式扩展。现有的配对语料库要么处于封闭状态，要么在规模和模态覆盖范围上受到限制。使用大语言模型进行标注可以扩大数据规模，但其输出无法被精确重新生成，从而阻碍他人重新推导、扩展或审计所得语料库。为此，我们发布了 TimeCap，这是一条开放且确定性的字幕生成流水线，包含三个可复用的提取器层和一个跨通道合成层，可直接在信号上运行，整个流程不涉及语言模型；仅需编写通道定义，即可扩展至新的模式。这使 TimeCap 成为未来数据集生成的一种可复现机制，而非一次性的发布成果。将 TimeCap 应用于 OpenMHC 的 MyHeart Counts 可穿戴数据集后，我们得到 MHCap，这是目前规模最大的开放式多模态可穿戴时间序列数据字幕层。MHCap 覆盖 19 个 Apple HealthKit 通道，包含 7,005,763 条字幕，涵盖 908,944 个个体日。为展示该语料库的影响，我们在 MHCap 上训练了时间序列语言模型 OpenTSLM，并以健康结局预测为任务进行基准测试。在 8 项任务的 32 个按用户划分的二元评估中，有 29 项评估显示，加入字幕的训练（OpenTSLM-Cap）优于仅使用标签的基线。