穿戴式感測資料缺失下的穩健睡眠預測

背景

消費型穿戴裝置整夜記錄心率、活動與皮膚溫度，睡眠品質可以由此估計。實務上資料並不完整：錶帶鬆了、電池沒電、感測器被遮住。多數已發表的模型是在乾淨資料上評估的，它們在真實缺口下的行為並不清楚。

研究問題

當穿戴裝置的資料部分缺失時，輕量機器學習模型的睡眠預測效能如何變化？運算成本是多少？

方法

標準方案。 使用具研究授權的公開資料集，在固定的訓練／測試切分與單一約定指標下，比較 logistic regression、random forest 與梯度提升樹。產出結果表與誤差分析。

進階方案。 以遞增比例、跨不同感測器模擬資料缺失。重新評估每個模型，加入簡單的補值 baseline，報告準確度、穩健性（效能對缺失率的斜率）以及訓練與推論成本。對補值方法與特徵集做消融實驗。與第九階段重現的已發表結果比較。

發現

示範專案不適用。真實專案會報告結果表、附信賴區間的穩健性曲線，以及運算量測。

學生會學到什麼

訓練／測試的紀律、baseline、對照實驗、消融、誤差分析，以及寫出別人能照著跑的方法章節。