نحو نموذج أساسي لاستشعار الإشارات الفسيولوجية القابلة للارتداء متعددة المتغيرات Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals

شارك:
المجلة: ACM Transactions on Computing for Healthcare، المجلد: 7، العدد: 3
DOI: https://doi.org/10.1145/3803808
تاريخ النشر: 2026-03-24
المؤلف: Yunfei Luo وآخرون
الموضوع الرئيسي: مراقبة العلامات الحيوية غير الغازية

نظرة عامة

تقدم البحث NORMWEAR، وهو نموذج أساسي متعدد الأنماط رائد مصمم خصيصًا لتعزيز تحليل بيانات الاستشعار القابلة للارتداء، والتي تتميز غالبًا بتنوع الأنماط ونطاقات التردد. التحدي الرئيسي الذي يعالجه NORMWEAR هو إنشاء تمثيلات قابلة للتعميم يمكن أن تتكيف مع تكوينات الاستشعار والتطبيقات المتنوعة في الرعاية الصحية. لتحقيق ذلك، يتضمن النموذج آلية انتباه مدركة للقناة جنبًا إلى جنب مع رمز ارتباط خاص مشترك [CLS]، مما يمكّنه من اكتشاف أنماط الإشارة بفعالية داخل أجهزة الاستشعار الفردية وعبر أجهزة استشعار متعددة.

تم تدريب NORMWEAR مسبقًا على مجموعة شاملة من الإشارات الفسيولوجية، بما في ذلك PPG و ECG و EEG و GSR و IMU، المستمدة من مجموعات بيانات عامة متنوعة. يظهر النموذج قابلية تعميم ملحوظة عبر 11 مجموعة بيانات عامة للاستشعار القابل للارتداء، تغطي 18 تطبيقًا متعلقًا بالصحة النفسية، واستنتاج حالة الجسم، وتقدير العلامات الحيوية، وتقييم مخاطر الأمراض. أداؤه يتجاوز باستمرار أداء المعايير التنافسية في سيناريوهات عدم وجود بيانات، وبيانات جزئية، وبيانات كاملة، مما يبرز إمكانيته للتطبيق الواسع في سياقات الصحة الواقعية. الكود الخاص بـ NORMWEAR متاح للجمهور لمزيد من البحث والتطوير.

مقدمة

في مقدمة هذه الورقة البحثية، يبرز المؤلفون أهمية أجهزة الاستشعار المحمولة والقابلة للارتداء في الرعاية الصحية، مؤكدين قدرتها على مراقبة الإشارات الفسيولوجية بشكل مستمر مثل التصوير الضوئي (PPG) والتخطيط الكهربائي للقلب (ECG) والاستجابة الجلدية الكهربائية (GSR) والتخطيط الكهربائي للدماغ (EEG). هذه الإشارات حاسمة للتشخيص المبكر، ورؤى صحية مخصصة، ومراقبة المرضى عن بُعد. على الرغم من التقدم في نمذجة السلاسل الزمنية من خلال نماذج أساسية متنوعة وتحويل الإشارات الخام إلى تمثيلات ثنائية الأبعاد للتحليل، لا تزال هناك قيود رئيسية: الاعتماد على أنواع الإشارات المدخلة المحددة في نماذج التعلم التبايني وعدم قدرة النماذج الحالية على معالجة البيانات متعددة المتغيرات بفعالية من تكوينات أجهزة استشعار متنوعة.

لمعالجة هذه التحديات، يقدم المؤلفون NORMWEAR، وهو نموذج أساسي معياري مصمم خصيصًا لبيانات الاستشعار القابلة للارتداء. تم تدريب NORMWEAR مسبقًا على أكثر من 2.5 مليون مقطع استشعار متعدد المتغيرات، بإجمالي 14,943 ساعة من البيانات من مجموعات بيانات متاحة للجمهور. يتضمن النموذج منهجيات مبتكرة، بما في ذلك تحويل الموجات المستمرة (CWT) لتجزئة غير مرتبطة بالنمط، وطبقة انتباه مدركة للقناة للتعامل مع المدخلات متعددة المتغيرات، وآلية دمج مصممة خصيصًا للاستشعار البشري. يهدف NORMWEAR إلى تسهيل الاستنتاج بدون بيانات عبر مهام صحية متنوعة ويقدم حلاً للتمثيل العام لمراقبة الصحة الذكية. كما يؤكد المؤلفون على توفر كودهم وبياناتهم للجمهور لتعزيز البحث القابل للتكرار في هذا المجال.

نقاش

تسلط قسم النقاش في الورقة البحثية الضوء على ظهور النماذج الأساسية في تعلم الآلة، وخاصة تطبيقها في تحليل السلاسل الزمنية لمهام مثل التنبؤ، والتصنيف، واكتشاف الشذوذ. بينما أظهرت النماذج الحالية وعدًا، فإن فعاليتها في إشارات الصحة القابلة للارتداء محدودة بسبب عوامل مثل الاعتماد على أنواع أجهزة استشعار محددة والبيانات أحادية المتغير. استجابةً لذلك، يقدم المؤلفون NORMWEAR، وهو إطار نمذجة متعدد الاستخدامات يستوعب أنماط أجهزة الاستشعار المختلفة والبيانات متعددة المتغيرات، مما يظهر أداءً متفوقًا عبر 18 مهمة رعاية صحية رقمية مقارنة بالمعايير المعمول بها، بما في ذلك النماذج المتطورة في تحليل السلاسل الزمنية.

يصف المؤلفون بناء مجموعة البيانات الخاصة بهم، والتي تضمنت تنسيق 9 مجموعات بيانات متاحة للجمهور وتطبيق تحسين البيانات الاستدلالية لإنشاء مجموعة تدريب قوية. يصفون نهج تجزئة مبتكر يستخدم تحويلات الموجات المستمرة لالتقاط كل من المعلومات الزمنية والترددية، مما يسهل تكيف النموذج مع تكوينات أجهزة الاستشعار المختلفة. علاوة على ذلك، يستخدم NORMWEAR مشفر محول ذو وزن مشترك وآليات انتباه مدركة للقناة لتعزيز تعلم الخصائص الزمنية مع الحفاظ على الكفاءة الحسابية. يتم التأكيد على قدرة النموذج على الاستنتاج بدون بيانات من خلال قدرته على محاذاة بيانات الاستشعار مع الأوصاف النصية، مما يمكّن من تفسير مرن للمهام غير المرئية. بشكل عام، يولي تصميم NORMWEAR الأولوية للتعميم والتكيف، محققًا تحسينات كبيرة على الأساليب الحالية في تطبيقات الرعاية الصحية المتنوعة.

Journal: ACM Transactions on Computing for Healthcare, Volume: 7, Issue: 3
DOI: https://doi.org/10.1145/3803808
Publication Date: 2026-03-24
Author(s): Yunfei Luo et al.
Primary Topic: Non-Invasive Vital Sign Monitoring

Overview

The research introduces NORMWEAR, a pioneering multi-modal foundation model specifically designed to enhance the analysis of wearable sensing data, which is often characterized by variability in patterns and frequency bands. The primary challenge addressed by NORMWEAR is the creation of generalizable representations that can adapt to diverse sensing configurations and applications in healthcare. To achieve this, the model incorporates a channel-aware attention mechanism alongside a shared special liaison [CLS] token, enabling it to effectively detect signal patterns both within individual sensors and across multiple sensors.

NORMWEAR is pretrained on a comprehensive array of physiological signals, including PPG, ECG, EEG, GSR, and IMU, sourced from various public datasets. The model demonstrates remarkable generalizability across 11 public wearable sensing datasets, covering 18 applications related to mental health, body state inference, vital sign estimation, and disease risk evaluation. Its performance consistently surpasses that of competitive baselines in zero-shot, partial-shot, and full-shot scenarios, underscoring its potential for widespread application in real-world health contexts. The code for NORMWEAR is publicly available for further research and development.

Introduction

In the introduction of this research paper, the authors highlight the significance of mobile and wearable sensors in healthcare, emphasizing their ability to continuously monitor physiological signals such as photoplethysmography (PPG), electrocardiography (ECG), galvanic skin response (GSR), and electroencephalography (EEG). These signals are crucial for early diagnosis, personalized health insights, and remote patient monitoring. Despite advancements in time series modeling through various foundation models and the conversion of raw signals into 2D representations for analysis, two primary limitations persist: the reliance on predefined input signal types in contrastive learning models and the inability of existing models to effectively process multivariate data from diverse sensor configurations.

To address these challenges, the authors introduce NORMWEAR, a normative foundation model designed specifically for wearable sensing data. NORMWEAR is pretrained on over 2.5 million multivariate sensing segments, totaling 14,943 hours of data from publicly available datasets. The model incorporates innovative methodologies, including continuous wavelet transform (CWT) for modality-agnostic tokenization, a channel-aware attention layer for handling multivariate inputs, and a fusion mechanism tailored for human sensing. NORMWEAR aims to facilitate zero-shot inference across various health-related tasks and provides a generalized representation solution for smart health monitoring. The authors also emphasize the public availability of their code and data to promote reproducible research in the field.

Discussion

The discussion section of the research paper highlights the emergence of foundation models in machine learning, particularly their application in time series analysis for tasks such as forecasting, classification, and anomaly detection. While existing models have shown promise, their effectiveness in health-related wearable signals is limited due to factors like reliance on specific sensor types and univariate data. In response, the authors introduce NORMWEAR, a versatile modeling framework that accommodates various sensor modalities and multivariate data, demonstrating superior performance across 18 digital healthcare tasks compared to established baselines, including state-of-the-art models in time series analysis.

The authors detail their dataset construction, which involved curating 9 publicly available datasets and applying heuristic data augmentation to create a robust training set. They describe a novel tokenization approach that utilizes continuous wavelet transforms to capture both time and frequency information, facilitating the model’s adaptability to different sensor configurations. Furthermore, NORMWEAR employs a share-weighted transformer encoder and channel-aware attention mechanisms to enhance the learning of temporal characteristics while maintaining computational efficiency. The model’s zero-shot inference capability is underscored by its ability to align sensor data with textual descriptions, enabling flexible interpretation of unseen tasks. Overall, NORMWEAR’s design prioritizes generalizability and adaptability, achieving significant improvements over existing methods in various healthcare applications.