The Athlete as a Scientist of One: Agentic Bayesian Experimental Design for Individualized Physiology from Consumer Wearables
作者: Behnam Moradi
分类: cs.RO, cs.AI
发布日期: 2026-10-29
💡 一句话要点
提出EpiCoach以实现个性化运动生理学的可审计科学
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 个性化健康管理 可穿戴设备 运动生理学 数字双胞胎 N-of-1科学 训练建议 证据门控 模型推断
📋 核心要点
- 现有的健康管理方法无法对个体进行可审计的学习，导致个性化建议缺乏科学依据。
- EpiCoach通过将运动员视为N-of-1科学的主体，利用可穿戴设备数据进行个性化训练建议，并确保可审计性。
- 在18个月的评估中，EpiCoach在心率预测上超越了传统模型，展示了其在个性化健康管理中的有效性。
📝 摘要（中文）
现有的大型语言模型（LLM）代理在个人健康管理中利用可穿戴设备数据进行推荐，但缺乏对个体的可审计和可证伪的学习能力。本文提出EpiCoach，一个将单一运动员视为可审计N-of-1科学的代理系统。该系统通过心率、GPS和气压高度数据推断出运动员的机械数字双胞胎，利用滞后心率响应模型、学习的健身-疲劳模型和潜在的技术-下降技能状态进行预测。EpiCoach在训练周的设计中最大化信息增益，同时遵循负荷和安全约束。经过18个月的数据评估，系统在心率预测上优于标准预测模型，并实现了个性化的可审计健康管理。
🔬 方法详解
问题定义：现有的健康管理系统无法对个体进行有效的学习和预测，缺乏可审计性和可证伪性，导致个性化建议的科学性不足。
核心思路：EpiCoach将运动员视为N-of-1科学的主体，通过构建机械数字双胞胎，利用可穿戴设备数据进行个性化训练建议，并通过证据门控的假设注册系统确保可审计性。
技术框架：EpiCoach的整体架构包括数据采集模块（心率、GPS、气压）、模型推断模块（滞后心率响应模型、健身-疲劳模型）、假设注册模块（证据门控的假设管理）和训练建议模块（基于信息增益的训练计划生成）。
关键创新：EpiCoach的最大创新在于其将个体运动员作为科学研究对象，通过可审计的假设注册和基于证据的预测，突破了传统健康管理方法的局限。
关键设计：系统设计中采用了滞后心率响应模型和学习的健身-疲劳模型，结合潜在的技能状态评估，确保训练建议的科学性和安全性。
🖼️ 关键图片
📊 实验亮点
在为期18个月的评估中，EpiCoach在心率预测方面超越了标准预测模型，显示出其在个性化训练中的有效性。系统在首次三周内生成了20个预测，成功评分14个，展示了其在动态调整和安全管理方面的能力。
🎯 应用场景
EpiCoach的研究成果可广泛应用于个性化运动训练、健康管理和运动员表现优化等领域。通过提供可审计的个性化建议，该系统有潜力改变传统健康管理方式，提升运动员的训练效果和安全性，促进数字健康的发展。
📄 摘要（原文）
Large language model (LLM) agents for personal health read wearable data and recommend, but do not learn about the individual in a way that can be audited or falsified. We present EpiCoach, an agentic system that treats one athlete, a cross-country mountain biker, as the subject of accountable N-of-1 science. Claims about the athlete live in an evidence-gated hypothesis registry: each must issue a probabilistic prediction about a future session before it occurs, and its belief moves only through computed evidence from a logged statistical fit. Predictions come from a mechanistic digital twin inferred from heart rate, GPS and barometric altitude: a lagged heart-rate response model, a fitness-fatigue model with learned time constants, and a latent technical-descending skill state, measured on discovered trail segments. The agent prescribes the next training week as a constrained experiment maximizing information gain subject to load and safety constraints, around two instrument rides. We evaluate the system two ways over eighteen months of data. A rolling-origin replay benchmark shows the twin beats standard forecasters on heart rate but not segment time, and the agentic loop matches a static model. A live prospective phase runs the weekly cycle: in its first three weeks the ledger sealed 20 predictions, scored 14, the descent forecast calibrated after one correction, the climb forecast pessimistic as the athlete improved, and the safety officer vetoed the agent twice. Every correction is preserved in the registry, a template for auditable, falsifiable personalization in digital health. We release the registry, benchmark and protocol.