DeepFeature: KI-gestützte Feature-Generierung verbessert Wearable-Biosignal-Analyse

Wearable-Geräte liefern heute unermesslich viele Biosignale, die in der Medizin für Diagnose, Therapieüberwachung und Prävention eingesetzt werden. Damit diese Daten sinnvoll genutzt werden können, greifen die meisten Machine‑Learning‑Modelle auf handverarbeitete Features zurück – sie reduzieren die Dimensionalität, sind leicht interpretierbar und funktionieren mit fast jeder Modellarchitektur.

Allerdings fehlt den bestehenden Feature‑Extraction‑Methoden oft die Aufgabe‑spezifische Kontextinformation. Sie kämpfen damit, die optimalen Extraktionsparameter im riesigen Feature‑Raum zu finden, und sind anfällig für Fehler bei der automatischen Code‑Generierung. Diese Schwächen führen zu suboptimalen Modellen und häufigen Laufzeitfehlern.

DeepFeature löst diese Probleme mit einem LLM‑gestützten, kontextbewussten Ansatz. Das System kombiniert Expertenwissen und Aufgaben‑Einstellungen zu einer mehrschichtigen Feature‑Generierung, nutzt einen iterativen Verfeinerungszyklus, bei dem Features anhand von Leistungsfeedback neu ausgewählt werden, und setzt robuste Mehrschicht‑Filterung sowie Verifikation ein, um die Code‑Übersetzung zuverlässig zu machen.

In umfangreichen Tests zeigte DeepFeature eine durchschnittliche Verbesserung des AUROC um 4,21 % bis 9,67 % bei acht unterschiedlichen Aufgaben. Es übertrifft die aktuellen Spitzenmethoden bei fünf dieser Aufgaben und hält bei den übrigen die gleiche Leistungsstufe bei, was die Vielseitigkeit und Zuverlässigkeit des Ansatzes unterstreicht.