TimeCap: una pipeline open source scalabile per la generazione di didascalie per serie temporali sulla salute raccolte da dispositivi indossabili

Abstract degli autori

I dati di serie temporali generati continuamente in ambito industriale, ambientale e soprattutto sanitario producono segnali multimodali la cui scala ed eterogeneità ne rendono particolarmente difficili l’elaborazione e l’interpretazione. I modelli linguistici per serie temporali (TSLM) promettono un’interpretazione scalabile di questi segnali, ma restano frenati dalla carenza di coppie di serie temporali e testi annotati che siano ancorate ai segnali, riproducibili ed estensibili a diverse modalità e schemi. I corpora di coppie esistenti sono chiusi oppure limitati per dimensioni e modalità coperte. L’annotazione con modelli linguistici di grandi dimensioni potrebbe aumentarne la scala, ma i risultati non possono essere rigenerati esattamente, impedendo ad altri di ricreare, ampliare o verificare il corpus ottenuto. Per affrontare questo problema, rendiamo disponibile TimeCap, una pipeline aperta e deterministica per la generazione di didascalie, con tre livelli di estrattori riutilizzabili e un livello di sintesi tra canali. La pipeline opera direttamente sul segnale, senza modelli linguistici nel processo, ed è estensibile a nuovi schemi scrivendo soltanto le definizioni dei canali. TimeCap si propone così come meccanismo riproducibile per la futura generazione di dataset, anziché come rilascio una tantum. L’applicazione di TimeCap a OpenMHC, il dataset MyHeart Counts raccolto tramite dispositivi indossabili, produce MHCap, il più ampio insieme aperto di didascalie per dati multimodali di serie temporali raccolti da dispositivi indossabili. MHCap comprende 19 canali Apple HealthKit e 7.005.763 didascalie relative a 908.944 giorni-persona. Per mostrare l’impatto del corpus, addestriamo OpenTSLM, un modello linguistico per serie temporali, su MHCap e ne valutiamo le prestazioni con benchmark di previsione degli esiti di salute. L’addestramento arricchito con didascalie (OpenTSLM-Cap) supera una baseline basata soltanto sulle etichette in 29 delle 32 valutazioni binarie per utente, distribuite su 8 compiti.