心脏信号已存在于现有腕部数据中
英国生物银行等大型纵向队列从约10万名参与者采集了为期一周的腕部加速度数据，但往往没有连续的光学心率通道。论文的动机是：从睡眠期间已经记录的运动信号中恢复心率，可为未来的回顾性分析增加一项生理信号，前提是重建方法先经过合适的心脏参考验证。
其物理基础是心冲击图：每次心跳的机械反冲会产生加速度计可测量的振动。在腕部，这一信号很容易被自主运动淹没，因此睡眠这种低运动时间较长的状态成为研究的目标场景。SeqSmoother所有推理时特征均来自腕部加速度计；ECG仅用于构建参考心率标签和训练标签质量权重。
SeqSmoother用时间上下文修正Nightbeat锚点
SeqSmoother是一个基于Transformer的时序校正器，而非替代性流程。对每个60秒窗口，它构建一个26维特征向量，融合中间Nightbeat导出的频率锚点、频谱描述符、次谐波描述符和时间变化信息。若中间锚点不可用，则使用频谱回退估计，并在特征表示中记录该回退状态。
模型在40个窗口的序列上使用两层前置层归一化的Transformer编码器，含四个注意力头、前馈维度256、dropout 0.15，共106,625个可训练参数。每个token投影到64维，并与学习到的位置嵌入相加。训练时对所有位置进行监督，但最终token提供主要的折外测试预测。
训练使用AdamW，学习率3e-4、权重衰减1e-3、批大小128、五个预热轮次，余弦衰减至1e-6，最多120轮，验证MAE早停耐心为30轮。损失函数结合Huber项、对超过3 bpm误差的额外尾部惩罚、ECG参考质量加权以及Pearson相关项。ECG导出的质量分数q仅在训练时使用，部署时从不需要。
Nightbeat在保留区间更准，SeqSmoother覆盖更广
正式分析使用13个参与者互斥的留出折，以参与者为独立统计单位。在所有折外预测上，SeqSmoother达到参与者宏平均MAE 1.60 bpm。官方ETH-SIPLAB Nightbeat实现在匹配的60秒窗口和15秒步长协议下重新评估，最终估计与SeqSmoother端点对齐误差在0.11秒内。
在Nightbeat保留的匹配区间上，Nightbeat的绝对误差低于SeqSmoother：0.615对1.091 bpm，配对差异为+0.475 bpm，有利于Nightbeat。在13个留出参与者中有12个，Nightbeat的匹配MAE更低。正因如此，作者指出不应将SeqSmoother解读为工程化信号处理流程的替代品。
这一比较反而揭示出精度与可用性的权衡。Nightbeat为SeqSmoother可评估折外网格的72.85%给出了最终估计；在时间戳对齐的条件下，Nightbeat候选中有77.76%被保留。SeqSmoother在Nightbeat最终弃权的区域仍继续预测，而这些被拒绝的区域明显更难：SeqSmoother在此处的MAE升至2.656 bpm。合并描述性相关r = 0.815提示这些区间可能仍携带时间心率信息，但该值不用于参与者层面的推断。
半锚点比值可标记谐波锁定
一种常见的频率跟踪失败是估计频率锁定在真实心脏基频的两倍附近。传统的二次谐波比值并不直接检验可能被锁定锚点的一半频率处的能量，因此作者定义了次谐波比值eta_1/2，将半锚点频率处的频谱功率与当前锚点处的功率进行比较。
机制很直接：若锚点接近真实心率的两倍，半锚点频率就落在真实心脏基频附近，因此该处相对功率升高是谐波锁定的物理可解释线索。一个配套的半心率候选提供了显式的替代估计。
所提出的次谐波比值在识别参考定义的谐波锁定候选时达到AUROC 0.972，覆盖来自7个留出参与者的337个候选锁定窗口。由于窗口重叠且SeqSmoother联合使用频谱、锚点和时间信息，作者并未将总回归改进的特定部分单独归因于该特征。
NightbeatDB支持居家睡眠，而非临床队列
研究使用NightbeatDB，即42名参与者的整夜居家记录。每人在优势手腕佩戴腕部三轴加速度计（Axivity AX3，100 Hz），并佩戴ECG胸带（movisens EcgMove 4，1,024 Hz）作为心脏参考。同步后，42份记录中有38份产生了可用的对齐加速度计-ECG数据。
最终确定的加窗、Welch特征提取和中间Nightbeat锚点流程在全部38份可用记录上运行，作为描述性适用性检查，但这一遍仅是预处理一致性检查，并不增加推断样本量。正式的模型性能推断基于13个参与者互斥的留出折，所有划分都在参与者层面进行，因此留出参与者的窗口绝不会出现在训练或验证中。
官方Nightbeat比较使用统一60秒/15秒协议下的官方算法，而非复现已发表0.88 bpm结果背后的每个细节。严格的配对分析排除了未对齐端点，因此绝对误差必须与预测可用性联合解读。
窗口级睡眠心率不等于逐搏或临床指标
NightbeatDB以有限生理范围内的典型睡眠心率为主。该研究并未确立对心律失常、夜间心率显著升高、心血管疾病队列或数据集中未充分代表的其他临床睡眠人群的性能。
模型估计的是窗口级心率，而非逐搏RR或NN间期，因此传统心率变异性、睡眠分期、疾病预测、临床决策以及人群队列结局分析仍处于已验证范围之外。评估也是回顾性的，并未确立前瞻性实时部署性能。
次谐波结果是跨7个阳性事件参与者重叠窗口的合并机制诊断；AUROC 0.972并非参与者层面推断。因此，大型仅加速度计队列是未来的应用领域，而非已证明的部署场景，作者呼吁在作出临床或人群层面结论前进行前瞻性和外部验证。
保留高置信Nightbeat估计，学习被拒区域
论文自身的优先级来自两组结果的分野。在Nightbeat保留的区间上，其匹配参与者宏平均MAE 0.615 bpm优于SeqSmoother的1.091 bpm，因此在它给出结论的地方，工程化流程仍是精度基准。互补价值在于SeqSmoother可评估折外网格中Nightbeat未给出最终估计的那27.15%，此处SeqSmoother误差升至2.656 bpm，但其合并相关r = 0.815提示仍存在残余时间信息。
这就是本研究提供的具体判断阈值：当质量门控的信号处理估计可用时使用它，并将学习到的时序校正视为把覆盖范围扩展到弃权区域的手段，而非替代锚点。AUROC 0.972的次谐波比值为导致部分弃权的频率倍增失败模式增加了一项独立诊断，提供了一种物理信息化的方式来标记跟踪器何时锁定到真实心脏基频的两倍。
本文引用的文献
Deep Learning for Sleep Heart Rate Estimation from Accelerometers: Toward Population-Scale Cardiac Insight Without Optical Sensors
SeqSmoother是一种基于Transformer的时序校正器，使用Nightbeat导出的锚点，在13个留出折上达到参与者宏平均MAE 1.60 bpm；Nightbeat在保留区间上更准确（0.615对1.091 bpm），但仅覆盖SeqSmoother可评估网格的72.85%；次谐波比值在谐波锁定识别上达到AUROC 0.972。