OpenMHC 发布可穿戴健康数据集与基础模型开源实现
OpenMHC: Accelerating the Science of Wearable Foundation Models
研究团队发布 OpenMyHeartCounts(OpenMHC),这是面向合格研究者开放的最大可穿戴健康数据集,并附带近期可穿戴基础模型的开源实现与权重。数据集来自 My Heart Counts 研究应用十余年数据,覆盖 11,894 名参与者、超过 6700 万参与者小时的记录,最多 19 个传感器通道和最多 170 个健康、生活方式、情绪与行为变量。
作者:Narayan Schuetz、Yuze Bai、Lianggang Pan、Edgar Eggert、Favour Nerrise、Juan Delgado-SanMartin、Max Rosenblattl、Milana Gurbanova、Mohammad Asadi、Anders Johnson、Steven G. Hershman、Paul Schmiedmayer、Dennis Wang、Allan Lawrie、Daniel Seung Kim、Xin Liu、Akshay Paruchuri、Ehsan Adeli、Euan A. Ashley、Kelly W. Zhang
摘要:移动与可穿戴设备为持续、被动的健康监测和主动健康指导提供了前所未有的机会。然而,最大的可穿戴数据集均为专有,基于这些数据训练的前沿可穿戴基础模型很少开放权重,也鲜有包含可复现的训练代码。为加速可穿戴健康领域的开放科学,我们推出 OpenMyHeartCounts(OpenMHC),这是目前向合格研究人员广泛开放的最大、最全面的可穿戴健康数据集,同时提供近期可穿戴基础模型的开源实现与权重。OpenMHC 源自 My Heart Counts 研究应用十余年收集的数据,包含来自 11,894 名参与者的超过 6,700 万参与者小时的可穿戴记录,覆盖多达 19 个传感器通道(如步数、心率、睡眠、锻炼)以及多达 170 个健康、生活方式、情绪和行为变量。此外,我们建立了一个跨三项任务的标准化评估基准:(1)健康与行为结果预测,(2)多变量数据插补,(3)时间序列预测。在对经典方法与近期可穿戴及时间序列基础模型进行基准测试后,我们发现,尽管基础模型表现强劲,经过精心调优的经典基线(如 XGBoost)仍极具竞争力。通过将广泛可及的可穿戴数据与开放代码和模型权重相结合,OpenMHC 提供了推动可穿戴健康 AI 可复现进展所需的框架。
| 学科: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2607.16235 [cs.LG] |
| (或本版本使用 arXiv:2607.16235v4 [cs.LG]) | |
| https://doi.org/10.48550/arXiv.2607.16235 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考: | NeurIPS 2026 |
提交历史
来自:Kelly Zhang [查看邮箱]
[v1]
2026年6月25日 星期四 18:59:23 UTC(2,544 KB)
[v2]
2026年7月21日 星期二 10:33:05 UTC(2,817 KB)
[v3]
2026年8月8日 星期六 18:21:20 UTC(2,819 KB)
[v4]
2026年11月17日 星期二 07:48:50 UTC(4,268 KB)
来源:arXiv cs.AI · arxiv.org