Zero-Shot Heart Rate Variability Forecasting from Consumer Wearables Using Time Series Foundation Models

📄 arXiv: 2607.20027v1 📥 PDF

作者: Luukas Peräkylä, Fahad Sohrab, Ville Hautamäki, Merja Heinäniemi, Sui Huang, Pekka Abrahamsson

分类: cs.LG

发布日期: 2026-07-22

备注: Accepted to Computing in Cardiology (CinC) 2026. 4 pages, 2 figures, 3 tables

💡 一句话要点

提出时间序列基础模型以解决可穿戴设备心率变异性预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心率变异性 时间序列模型 可穿戴设备 数据插补 临床应用 预测模型 生理信号分析

📋 核心要点

  1. 现有方法在处理消费者可穿戴设备生成的碎片化和伪影丰富的HRV信号时存在显著不足，影响预测准确性。
  2. 论文提出了一种新颖的保留变异性的插补方法，结合线性插值与局部自适应随机噪声，以增强HRV信号的预测能力。
  3. 实验结果显示，时间序列基础模型在未微调的情况下，MASE值在0.81至0.87之间，显著优于传统基线方法，Chronos和TimesFM表现最佳。

📝 摘要（中文）

短期心率变异性（HRV）预测能够为临床医生提供检测自主神经功能障碍和不良心脏事件的可操作提前时间。消费者可穿戴设备生成的HRV信号通常存在碎片化和伪影，给传统预测方法带来了挑战。本研究评估了三种时间序列基础模型（TimesFM、Chronos和MOIRAI）在真实世界可穿戴数据上的预测能力，并与传统基线方法（均值、指数平滑和加权移动平均）进行了比较。为了解决数据碎片化问题，提出了一种保留变异性的插补方法，结合线性插值和局部自适应随机噪声，保留了对准确预测至关重要的生理动态。结果表明，TSFMs在未进行微调的情况下超越了所有基线，平均绝对缩放误差（MASE）在0.81到0.87之间，Chronos和TimesFM表现最佳，尽管MOIRAI的提升有限。该研究为TSFMs在真实世界数据集上的性能建立了基线，强调了领域特定微调作为临床部署的有前景方向。

🔬 方法详解

问题定义：本研究旨在解决消费者可穿戴设备生成的心率变异性（HRV）信号的碎片化和伪影问题，这些问题使得传统的HRV预测方法难以有效应用。

核心思路：提出了一种保留变异性的插补方法，通过结合线性插值和局部自适应随机噪声，旨在保留HRV信号的生理动态特征，从而提高预测的准确性。

技术框架：研究中使用了三种时间序列基础模型（TimesFM、Chronos和MOIRAI），并与传统的基线方法（均值、指数平滑和加权移动平均）进行比较。数据处理流程包括数据收集、插补处理、模型训练和预测评估。

关键创新：最重要的技术创新在于提出的保留变异性的插补方法，该方法通过引入局部自适应随机噪声，显著提升了HRV信号的预测能力，与传统方法相比具有本质区别。

关键设计：在模型训练中，采用了多种时间序列基础模型，并通过实验评估其在不同时间步长（32和64步）的表现，确保了模型的适应性和准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，时间序列基础模型在未进行微调的情况下，平均绝对缩放误差（MASE）在0.81至0.87之间，超越了所有传统基线方法。Chronos和TimesFM模型表现最佳，显示出在HRV预测中的显著优势。

🎯 应用场景

该研究的潜在应用领域包括临床监测和健康管理，尤其是在心脏病患者的早期预警系统中。通过提高HRV预测的准确性，能够为临床医生提供更有效的决策支持，改善患者的健康结果。未来，领域特定的微调将进一步推动该技术的临床应用。

📄 摘要（原文）

Short-term Heart Rate Variability (HRV) forecasting could provide clinicians with actionable lead time for detecting autonomic dysfunction and adverse cardiac events. Consumer wearable devices generate fragmented, artifact-rich HRV signals that challenge conventional forecasting approaches. In this study, we evaluated the forecasting ability of three Time Series Foundation Models (TSFMs), TimesFM, Chronos, and MOIRAI, against traditional baselines (Mean, Exponential Smoothing, and Exponentially Weighted Moving Average) on real-world wearable data collected from 49 healthy individuals. To address data fragmentation, we introduce a variability-preserving imputation method that augments linear interpolation with locally adaptive stochastic noise, retaining physiological dynamics essential for accurate forecasting. The results show that TSFMs outperformed all baselines without fine-tuning, achieving average Mean Absolute Scaled Error (MASE) between 0.81 and 0.87 across TSFMs and both context lengths (32 and 64 time steps), with Chronos and TimesFM as the top models, though MOIRAI showed limited gains over baselines. With up to a 2-hour forecast horizon, the results establish a baseline for TSFMs' performance on a real-world dataset, highlighting domain-specific fine-tuning as a promising direction for clinical deployment.