基于加速度计的睡眠心率估计深度学习：迈向无需光学传感器的群体规模心脏信息洞察

大型纵向队列通常包含腕部加速度测量数据，却没有光学心率传感数据，因此有必要从睡眠期间已经采集的运动信号中恢复心脏信息。我们提出了 SeqSmoother，这是一种基于 Transformer 的时间校正器，用于根据腕部加速度测量数据估计睡眠心率（HR）。SeqSmoother 将频谱描述符与一个由 Nightbeat 衍生的中间频率锚点相结合，并引入一种受物理学启发的次谐波特征，用于识别谐波频率锁定。推理时使用的所有特征均源自腕部加速度测量数据，而 ECG 仅用于构建参考 HR 标签和训练标签质量权重。我们采用 13 个参与者互斥的留出折评估 SeqSmoother，并在匹配的 60 秒窗口和 15 秒步长协议下，将其与官方 Nightbeat 实现进行比较。在所有折外预测中，SeqSmoother 达到 1.60 bpm 的参与者宏平均绝对误差（MAE）。在 Nightbeat 保留的匹配区间内，Nightbeat 的绝对误差低于 SeqSmoother（分别为 0.615 和 1.091 bpm）；与此同时，SeqSmoother 能够在更大比例的符合条件记录上提供估计结果。对于 SeqSmoother 符合条件的折外网格，Nightbeat 最终仅对其中 72.85% 生成了估计结果。另一方面，所提出的次谐波比值在识别由参考结果定义的谐波锁定候选片段方面达到了 0.972 的 AUROC。这些发现揭示了学习式时间建模与质量门控信号处理之间在准确性和可用性方面的权衡，同时为采用物理信息方法识别基于加速度计的睡眠 HR 估计中的频率跟踪失败提供了实证支持。