Data Sources · v3.1 (10 datasets)

真实数据 · 4 类来源, 10 个数据集, n=303 受试者

Generator v3.1 从 4 名健康 baseline + 10 个公开数据集 (n=303 真实受试者) 校准. 关键升级: 跨模态耦合定律 (A 类 PPG+IMU 同人 pooled, ρ=0.50 几乎匹配真实 0.51) + 17 个 AD EEG signature (B 类 EEG) + 疾病条件 IMU 分布 (B 类 IMU gait, ctrl/MCI/AD/PD/ALS).

1. 真实健康 baseline (4 名)

每位受试者完成 12 项任务, 同步采集 PPG (心率) / IMU (3 轴 acc) / EDA (皮肤电导).

Subject	Code	Tasks	Modalities	Use
S01	zewei	12	PPG / IMU / EDA	P01, P02, P09 base
S02	junkai	12	PPG / IMU / EDA	P03, P06 base
S03	jialu	12	PPG / IMU / EDA	P04, P07, P10 base
S04	zhe	12	PPG / IMU / EDA	P05, P08 base

注: 这 4 名健康受试者 baseline 是 IMU 信号模板, 但 HR 不再来自 baseline — v3.1 改用 A 类 pooled law 重新派生.

2. A 类 — 同人多模态 PPG+IMU (n=49, 42 小时)

同一受试者同时戴 PPG + IMU. 这是 generator 跨模态耦合定律的训练源 — 修复了 v2.2 的 jerk-HR 脱钩 bug (ρ 从 0.13 → 0.50).

WESAD n=15, 18 GB

来源: Schmidt et al. ICMI 2018, Univ. Siegen

设备: 胸前 RespiBAN + 手腕 Empatica E4 (跟手套位置完全对口)

通道: chest ECG/EDA/EMG/Resp/Temp/ACC @ 700 Hz; wrist BVP @ 64 Hz / ACC 32 Hz / EDA 4 Hz

协议: baseline → amusement → meditation → TSST stress → recovery

原 paper: 三分类准确率 80%, TSST stress HR ↑10 BPM

我们的发现: stress 是 高 HR 低 jerk 独立模式 (ρ=0.26, 4 个数据集最弱)

用法: BPSD anxiety 模板 (HR↑8 BPM, jerk 不变)

PPG-DaLiA n=15, 28 GB

来源: Reiss et al. Sensors 2019, Bosch + Univ. Siegen

设备: 同 WESAD (RespiBAN + E4)

协议: 8 个日常活动 (sitting/stairs/cycling/driving/lunch/walking/working/桌足球)

原 paper: PPG2HR CNN MAE 7.65 BPM, IMU 加入降误差 18%

我们的发现: ρ(jerk, HR) = 0.52; activity 阶梯 sitting 76 → walking 84 → stairs 88 → cycling 98 BPM

用法: PPG fine-tune 训练集主体, 与 WESAD 共 30 同人

mHealth n=10, 290 MB

来源: Banos et al. IWAAL 2014, Univ. Granada

设备: 3 Shimmer2 (chest+ankle+wrist), ECG+9-axis IMU @ 50 Hz

协议: 12 种动作 (站/坐/卧/走/楼梯/弯腰/抬臂/屈膝/骑车/慢跑/跑/跳)

原 paper: 12 类活动识别 92% (RF, LOSO)

我们的发现: ρ(jerk, HR) = 0.64 (强耦合)

用法: wrist IMU 12 动作 vocabulary

PAMAP2 n=9, 2.9 GB

来源: Reiss & Stricker ISWC 2012, DFKI

设备: 3 IMU (hand/chest/ankle) @ 100 Hz + HR @ 9 Hz

协议: 18 种活动 (含 Nordic walking, 跳绳, 踢足球)

原 paper: 18 类识别 baseline 74%, HR 对 vigorous 检测有效

我们的发现: ρ(jerk, HR) = 0.75 (4 数据集最高); HR 60-160 全覆盖

用法: activity → HR LUT 金标准, pooled law 主源

⭐ A 类综合发现 — 跨数据集 jerk-HR pooled law

        HR_BPM = 71.4 + 4.06 × log(1 + jerk_std) + 0.3 × (age - 65) - 0.5 × (30 - MMSE)

        Pearson r = 0.377, p < 1e-169, n = 5024 windows

3. B 类 EEG — OpenNeuro AD 队列 (n=163)

提供 AD 真实退化频谱信号. 我们识别出 17 个统计显著的 AD signature, 6 个与 MMSE |ρ|>0.45.

ds002778 n=31, 1.2 GB

来源: Jackson et al. eNeuro 2019, UCSD Swann Lab

队列: 15 PD + 16 ctrl, 平均 ~63 岁

设备: Biosemi BDF, 32 channels @ 512 Hz, resting state 3 min

原 paper: PD beta phase locking 增加 (waveform shape)

我们的发现: 用作 PD 鉴别诊断锚点 (avoid AD persona 误入 PD 分布)

ds004504 ⭐ 主校准, n=88, 11 GB

来源: Miltiadous et al. MDPI Data 2023, Greece AHEPA Hospital

队列: 36 AD + 23 FTD + 29 CN, 平均 66.4 岁

设备: Nihon Kohden 2100, 19 ch (10-20) @ 500 Hz, 闭眼 resting

原 paper: 5 个 feature 显著, TAR AUC 0.82, LZC -30%

我们的发现: 17 个 signature (paper 多 12 个), 6 个与 MMSE |ρ|>0.45

Top 3: alpha_rel_post -58%, PAF -12%, theta_alpha_ratio +47%

ds007427 n=138 (44 raw), 28 GB

来源: Henao Isaza et al. PLOS ONE 2026, Antioquia 哥伦比亚

队列: PSEN1 E280A 家族性 AD (CTR/DCL/DTA/G1/G2)

设备: Neuroscan, 64+ ch @ 1000 Hz, resting

原 paper: PSEN1 携带者无症状已 EEG slowing

我们的发现: AT_RISK MMSE 24, theta CTR<MCI<AD 单调

用法: MCI/at-risk 桶分布锚点 (普通 AD 数据集只有 CN/AD 二元)

4. B 类 IMU 步态 — 神经退化 (n=91)

提供 不同疾病的步态特征边界. 真实 stride CoV: ctrl 0.04 / AD 0.08 / PD 0.18 / ALS 0.43. 这是 generator 从 healthy-young morph 升级到 disease-conditioned 采样的关键.

PhysioNet gait-ndd n=64, 57 MB

来源: Hausdorff Lab, PhysioNet (多篇)

队列: 16 ctrl + 13 ALS + 20 HD + 15 PD (唯一同时含 4 类的数据集)

设备: 双脚力传感器 @ 300 Hz, 5 min walking

原 paper: stride CoV 是神经退化早期指标

我们的发现: ctrl 0.043 → PD 0.180 → ALS 0.426 (4 倍/10 倍)

用法: imu_by_disease.json 6 组分布, generator 按 persona.disease 采

Daphnet-FoG n=10, 110 MB

来源: Bachlin et al. IEEE TITB 2010, ETH + Tel Aviv

队列: 10 PD 重度 (含频繁 FoG)

设备: 3 IMU 加速度 (脚踝/大腿/腰) @ 64 Hz, 多 run × 8 小时

原 paper: FI > 1.0 怀疑 FoG, 11% time in FoG

我们的发现: FI 中位 2.84 ± 2.34, fog_ratio 0.109

用法: FoG 事件模板 (仅 PD persona 触发, AD 永不出现)

HuGaDB n=17, 761 MB

来源: Chereshnev & Kertész-Farkas AIST 2017, ITMO

队列: 17 健康年轻人 (24 ± 3 岁)

设备: 6 IMU (双侧大腿/小腿/脚) + 2 EMG @ 60.45 Hz

原 paper: 12 类活动识别 95%, 膝盖 IMU 最关键

我们的发现: walking acc magnitude 1.544 ± 0.093 g

用法: young-healthy IMU baseline (但不能当 elderly baseline 用)

5. 真实分布可视化

v3.1 generator 校准的真实分布参照 (跨模态耦合定律 + 17 EEG signature + 8 disease IMU profiles).

MMSE — 三组真实分布 (n=159) ds002778 + ds004504 + ds007427

跨模态耦合 ρ — A 类 vs Generator v3.1: 0.50 (was 0.13)

Stride CoV — disease 边界 (B 类 IMU) ctrl 0.04 → ALS 0.43

17 个 AD EEG signature (B 类 EEG) |Cliff δ| 排序