对于具有深度时间分解的可穿戴医疗设备,预测电池容量退化轨迹
Yuanping Hu1,2, Yongjie Liu3, Heng Li4
1Teaching and Research Section of Clinical Nursing, Xiangya Hospital of Central South University, Changsha, 410008, China.
Scientific reports
|February 24, 2026
概括
准确的电池容量预测对于可穿戴医疗设备至关重要. 我们的新框架通过分解时间数据和纠正错误来提高预测准确性,提高设备可靠性和患者安全.
科学领域:
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
- 材料科学 材料科学 材料科学
背景情况:
- 电池容量降低对可穿戴医疗设备的操作和患者安全构成风险.
- 复杂的,非线性降解模式由这些设备的不规则充电和高负载引起.
研究的目的:
- 开发一种用于准确预测可穿戴医疗设备中的电池容量降解的新框架.
- 在现实操作条件下应对复杂的退化模式和噪声的挑战.
主要方法:
- 一个多尺度的特征提取网络捕捉了当地和全球的趋势.
- 时间分解将长期趋势与短期噪音分开.
- 自行回归残余校正可以最大限度地减少代预测错误和累积偏差.
主要成果:
- 拟议的方法显著提高了预测准确性.
- 在各种数据集和实验设置中保持平均平方误差在20%以内.
- 有效地减轻来自可穿戴电池操作条件的噪音.
结论:
- 集成的深度时间分解和自回归微调框架提供了卓越的电池退化预测.
- 这一进步提高了可穿戴医疗设备的可靠性和安全性.
- 该方法在各种数据集和条件中显示出强大的性能.
