Transformer mit Laplace‑Diffusion verbessert Herzfrequenzvorhersage bei Wearables

Ein neues Modell aus dem arXiv‑Repository (ArXiv‑ID 2508.16655v1) kombiniert die Leistungsfähigkeit von Transformer‑Netzwerken mit einer Laplace‑Diffusionstechnik, um die Herzfrequenz von Patienten im Kontext ihrer täglichen Aktivitäten präziser vorherzusagen. Durch die Einbindung von Aktivitätsdaten in den gesamten Lernprozess liefert das System ein deutlich genaueres Bild der Herzfrequenzentwicklung als bisherige Ansätze.

Im Zeitalter der tragbaren Internet‑of‑Things‑Geräte gewinnt die Fernüberwachung von Patienten zunehmend an Bedeutung, insbesondere bei Herzinsuffizienz. Die Herzfrequenz kann jedoch stark schwanken, und ohne die Zuordnung zu konkreten körperlichen Aktivitäten ist es schwierig, signifikante Veränderungen zu erkennen. Das vorgestellte Modell adressiert dieses Problem, indem es Aktivitätsinformationen nicht als Nebeneffekt, sondern als zentrales Element in die Modellierung integriert.

Der Ansatz nutzt spezielle Einbettungen und auf Aktivität ausgerichtete Aufmerksamkeitsmechanismen, um relevante historische Muster hervorzuheben. Dadurch kann das Modell sowohl langfristige Trends als auch akute, aktivitätsabhängige Herzfrequenzänderungen erfassen. Ein dedizierter Encoder verarbeitet die kontextualisierten Embeddings, was die Genauigkeit der Vorhersagen weiter steigert.

Die Wirksamkeit des Modells wurde an einem realen Datensatz getestet, der von 29 Patienten über vier Monate hinweg gesammelt wurde. Im Vergleich zu aktuellen State‑of‑the‑Art‑Methoden konnte das Modell die mittlere absolute Abweichung um 43 % reduzieren. Zusätzlich erreichte der Determinationskoeffizient R² einen Wert von 0,97, was eine sehr starke Übereinstimmung zwischen den vorhergesagten und den tatsächlichen Herzfrequenzwerten bestätigt.

Diese Ergebnisse zeigen, dass die Kombination aus Transformer‑Architektur und Laplace‑Diffusion ein vielversprechender Ansatz für die präzise Herzfrequenzvorhersage im Alltag ist. Sie eröffnet neue Möglichkeiten für die Fernüberwachung von Patienten und könnte die Grundlage für verbesserte Therapieentscheidungen und frühzeitige Interventionen bilden.