自適應數據選擇提升穿戴式預測於低基線表現情境

研究論文提出，自適應感知策略透過選擇性取樣數據，在穿戴式健康系統中提高預測性能，尤其在數據預算有限的情況下。論文探討在固定測量預算下，針對心率、活動和生態瞬時評估等多種感知模態，評估自適應選擇時間窗口進行模型訓練的效果。研究發現，對於基線性能較低的參與者，自適應策略能帶來顯著的改善，AUROC 提升最多達 0.7；然而，對於基線性能較強的參與者，改善有限甚至為負。自適應增益與基線性能呈強負相關（皮爾森相關係數 r = -0.67；斯皮爾曼相關係數 p = -0.62）。在參與者層面，大多數個體在 AUROC 上受益（60-80%），但 F1 分數的改善較小且不一致。這些發現表明，自適應感知並非普遍有益，而是在低表現環境中提供最大價值。研究結果支持基於基線性能的選擇性部署策略，以提高穿戴式健康監測的效率，為未來優化穿戴式系統提供實證依據。