可穿戴医疗设备电池容量衰减轨迹预测的深度时序分解方法

为何微小电池对重大健康问题至关重要

可穿戴医疗设备——例如心率监测器、血糖传感器和康复追踪器——依赖微小的可充电电池。如果这些电池比预期更快衰退，设备可能在监测过程中关机，或在极少数情况下发生危险过热。本文探讨如何提前很久预测这些电池在其寿命期间如何丧失容量。更智能的预测可以帮助医生、工程师和患者信任关键可穿戴设备在最需要时继续工作。

可穿戴电池如何悄然耗损

在日常使用中，可穿戴设备内的电池面临不可预测的使用模式：短时间补电、长时间充电、无线电开启时的高功率突发以及静置期。经过数百个充放电周期后，这些历史使用模式决定了电池最大容量收缩的速度。工程师称这一结果曲线为衰减轨迹。现有工具常常只估计电池的最终“死亡时间”——其剩余可用寿命——而不描述完整的衰减路径。然而对于医疗可穿戴设备而言，了解未来数周或数月内容量下降的速度，与知道最终终点一样重要，因为这决定了设备是否能可靠地收集数据并提醒护理人员。

为何简单预测不足以应对

预测电池衰退比在“满”与“空”之间画一条直线要难得多。真实电池表现出复杂行为：容量在静置后可能短暂回升、在拐点处出现跳变，或在寿命后期加速衰退。许多现有的数据驱动方法将电池的过去视为简单的时间序列，要求模型反复做短期预测直到寿命终点。每一步都会引入小误差，这些误差会累积，尤其当信号噪声较大或电池行为突然变化时。因此，在预测未来几周期内看似准确的模型，在被要求预测数月以后的情况时可能产生严重偏移。

剥离长期漂移与短期噪声

作者提出了一个深度学习框架，通过明确区分老化的缓慢漂移与日常使用的快速抖动来应对这一挑战。首先，移动平均滤波器将每段电池历史平滑为趋势分量和残差分量。趋势被输入到一个递归神经网络，用以跟踪容量随时间的演变。残差——那些上下波动的小幅变化——则由第二条路径处理，该路径使用一个简单的线性层和对时间顺序敏感的注意力机制，以便模型识别诸如静置后短暂恢复等模式。通过堆叠若干此类双通道模块，网络逐步精炼对真实老化与纯噪声的区分。

让模型像可穿戴设备一样前瞻思考

为使长期预测更贴近现实，团队加入了一步“自回归”微调。在网络先基于短片段电池数据训练后，接着要求它将自身的预测作为新的输入继续向前预测，类似于真实设备在日常运行中的做法。一个校正机制将这些链式预测与真实衰减曲线进行比较，并推动模型减少在多步预测中产生的偏差。此过程促使网络不仅拟合最近的历史，还学习在数十或数百个周期内保持可靠的模式。

将方法付诸测试

作者在三个知名的锂离子电池数据集上评估了他们的框架，每个数据集代表不同的正极材料和老化行为。一个数据集显示主要是平滑的超线性下降；另一个包含频繁的容量恢复事件；第三个则同时具有强噪声和陡峭坡度变化。这些情形类似可穿戴设备在真实世界中会生成的多样且不完美的数据。在多种预测设置下，深度时序分解模型持续匹配或优于若干强基线方法，包括线性模型、递归神经网络、时序卷积网络、Transformer 以及一种复杂的混合方法。尤其是在跟踪平滑趋势和突变弯曲处，该模型将均方预测误差维持在相当于大约20%相对误差的水平。

这对未来医疗可穿戴设备意味着什么

对非专业读者而言，关键结论是该研究提供了更可靠的“天气预报”式电池健康预测，适用于医疗可穿戴设备中微小电池。通过将长期老化与短期抖动分离并训练模型适应自身预测，该方法可以在电池容量降至不安全水平之前很早预警。尽管该工作基于受控实验室数据集，并需要在真实患者数据上进一步验证，它指向了能够智能安排维护、在电池相关故障发生前警示临床人员并最终提供更安全、更持续护理的可穿戴设备。

引用: Hu, Y., Liu, Y., Li, H. et al. Battery capacity degradation trajectory prediction for wearable medical devices with deep temporal decomposition. Sci Rep 16, 10383 (2026). https://doi.org/10.1038/s41598-026-39087-1

关键词: 可穿戴医疗设备, 电池健康, 容量衰减, 深度学习预测, 剩余可用寿命