Personalized Sleep Prediction via Deep Adaptive Spatiotemporal Modeling and Sparse Data

📄 arXiv: 2509.09018v1 📥 PDF

作者: Xueyi Wang, C. J. C., Lamoth, Elisabeth Wilhelm

分类: eess.SP, cs.AI, cs.LG

发布日期: 2025-08-27

备注: The paper has been acceptted and presented in the 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society

💡 一句话要点

提出AdaST-Sleep模型以解决个性化睡眠预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 个性化睡眠预测 深度学习 卷积神经网络 递归神经网络 领域适应 健康数据分析 稀疏数据处理

📋 核心要点

  1. 现有睡眠预测方法在处理稀疏数据和个体差异时存在局限，难以提供准确的个性化预测。
  2. 提出的AdaST-Sleep模型通过结合卷积层和递归神经网络，能够有效捕捉空间和时间特征，提高预测准确性。
  3. 实验结果显示，该模型在不同窗口设置下均优于基线模型，最低RMSE为0.282，证明了其在实际应用中的有效性。

📝 摘要（中文）

睡眠预测使个人和医疗提供者能够预见并主动应对影响良好睡眠的因素，从而改善心理和身体健康。本研究提出了一种自适应空间和时间模型（AdaST-Sleep）用于预测睡眠评分。该模型结合卷积层以捕捉多特征间的空间特征交互，并利用递归神经网络层处理长期的健康相关时间数据。此外，集成的领域分类器使模型能够在不同个体间进行泛化。实验表明，该方法在多种输入窗口和预测窗口设置下均优于四个基线模型，最低均方根误差（RMSE）为0.282，且在多天预测中表现出色，展示了其在实际应用中的灵活性。

🔬 方法详解

问题定义：本论文旨在解决个性化睡眠预测中的数据稀疏性和个体差异问题。现有方法往往无法有效处理这些挑战，导致预测准确性不足。

核心思路：提出的AdaST-Sleep模型通过自适应的空间和时间建模，结合卷积层和递归神经网络，能够同时捕捉多特征间的空间交互和长期时间依赖性，从而提高预测的准确性和适应性。

技术框架：该模型的整体架构包括卷积层用于提取空间特征，递归神经网络层用于处理时间序列数据，并集成领域分类器以增强模型的泛化能力。模型的输入为多个时间窗口的健康数据，输出为预测的睡眠评分。

关键创新：本研究的主要创新在于将卷积神经网络与递归神经网络相结合，并引入领域适应技术，使模型能够在不同个体间有效泛化，显著提升个性化预测能力。

关键设计：模型采用多种输入窗口（3, 5, 7, 9, 11天）和预测窗口（1, 3, 5, 7, 9天）进行训练，优化过程中使用均方根误差（RMSE）作为损失函数，确保模型在不同设置下均能保持良好性能。网络结构设计上，卷积层与递归层的组合使得模型在捕捉复杂特征时更加高效。

📊 实验亮点

实验结果显示，AdaST-Sleep模型在多个输入和预测窗口设置下均优于四个基线模型，最低均方根误差（RMSE）为0.282，尤其在七天输入和一天预测窗口下表现最佳。此外，该模型在多天预测中保持了强大的性能，证明了其在实际应用中的有效性和灵活性。

🎯 应用场景

该研究的潜在应用领域包括个性化健康管理、睡眠障碍治疗和智能穿戴设备的数据分析。通过准确预测个体的睡眠质量，医疗提供者可以更好地制定干预措施，从而提升患者的整体健康水平。未来，该模型有望在更广泛的健康监测和管理系统中得到应用。

📄 摘要（原文）

A sleep forecast allows individuals and healthcare providers to anticipate and proactively address factors influencing restful rest, ultimately improving mental and physical well-being. This work presents an adaptive spatial and temporal model (AdaST-Sleep) for predicting sleep scores. Our proposed model combines convolutional layers to capture spatial feature interactions between multiple features and recurrent neural network layers to handle longer-term temporal health-related data. A domain classifier is further integrated to generalize across different subjects. We conducted several experiments using five input window sizes (3, 5, 7, 9, 11 days) and five predicting window sizes (1, 3, 5, 7, 9 days). Our approach consistently outperformed four baseline models, achieving its lowest RMSE (0.282) with a seven-day input window and a one-day predicting window. Moreover, the method maintained strong performance even when forecasting multiple days into the future, demonstrating its versatility for real-world applications. Visual comparisons reveal that the model accurately tracks both the overall sleep score level and daily fluctuations. These findings prove that the proposed framework provides a robust and adaptable solution for personalized sleep forecasting using sparse data from commercial wearable devices and domain adaptation techniques.