可穿戴传感器跨平台诊断不再各算各的：门控胶囊-Transformer把准确率提到0.9348
核心概要
面向多设备可穿戴传感器的临床诊断，一套跨平台框架把数据流筛选、类别不平衡校正与时空特征学习串成一条链路。此前不同传感器模态、采样率和传输特性各自为政，稀有异常样本稀少，推理结果随设备变化而不稳。在心血管与IoMT两个公开数据集上，该框架的AUC分别为0.966和0.947；在24路数据流下准确率0.9348、精确率0.9305、敏感度0.9615，假阳性率0.0915。
深度剖析
可穿戴传感器数据在进入诊断模型前先被筛选和配平，而不是把所有生理数据流等权地送进网络。 此前的做法对所有传入的可穿戴数据流一视同仁，分配相同的计算资源，在稀有生理异常造成的类别不平衡下容易产生误判。 在两个公开数据集上做了消融：心血管数据集含4.8万条来自ECG、PPG、血氧和运动传感器的样本，采样250 Hz；IoMT数据集含6.25万条来自血糖、脑电、呼吸和体温传感器的样本，采样50至500 Hz。
框架由三部分组成：按生理重要性挑选数据流的优化器、生成少数类样本的配平模块，以及融合胶囊层与Transformer的门控网络。 选择性元启发式优化（SMHO）用多维效用向量给数据流排序，综合异常贡献、信号相关性、传输可靠性和时间紧迫度；集成生成-合成数据配平（IG-SDB）用上下文感知的合成重建补齐少数类。 门控胶囊-Transformer网络（GCT-Net）用胶囊层提取空间层级特征，用定制Transformer块建模长程时间依赖，并以门控抑制无关激活；实验设定为15层、学习率0.5、1200次迭代、30个epoch。
在24路数据流的对比中，该框架在准确率、精确率、敏感度和假阳性率上同时优于四个对照方法。 对照方法为LWEN、DDIH、GAN-I和MMFL，其准确率分别为0.844、0.863、0.888和0.889，假阳性率最高为0.184。 同一设定下该框架准确率0.9348、精确率0.9305、敏感度0.9615、假阳性率0.0915、不确定性因子0.0502；报告称相对提升为准确率12.76%、精确率12.95%、敏感度11.3%，假阳性降低11.35%、不确定性降低12.51%。
启示与展望
评估限定在两个公开数据集：心血管数据集用于区分正常与异常，IoMT数据集用于区分状态良好与状态波动，采样率分别固定为250 Hz和50至500 Hz。框架设定为15层、学习率0.5、1200次迭代、30个epoch，对比在24路数据流下进行。作者提出后续可扩展为联邦与隐私保护的分布式训练，并引入数字孪生与可解释AI辅助预测。
报告中的提升幅度是相对四个对照方法在单一数据流设定下的比较，尚未在独立队列或真实临床部署中验证。流选择灵敏度分析指出，过度剔除数据流可能压制临床相关的差异信号，而保留过多则增加推理时间，二者需要权衡。跨平台互操作性的结论来自两个数据集的分布对齐，未覆盖更多厂商设备。