为什么先做清单，再谈模型
一次训练里，手表记录心率，胸带记录心跳间隔，智能鞋记录压力和触地，手机记录GPS和摄像头。这些数据进入同一个系统时，各自带着不同的时钟、不同的采样频率、不同的缺口和不同的误差。
如果直接把它们拼接后交给模型，模型学到的很可能是“设备差异”而非“身体变化”。所以我们的顺序是：先让数据可比，再谈融合；先处理冲突，再解释状态。下面七项检查，每一项都对应一类具体的出错方式。
检查一：时间对齐
不同设备的时钟通常不同步，偏差从零点几秒到数秒不等，有的设备还会随使用时间累积漂移。
- 触地事件和心率变化如果错位，就无法判断“冲刺后心率何时上升”。
- 做法：以手机或某个可信时间源为参考，在训练开始与结束的同步事件（例如一次约定动作、连接建立时刻）估计各设备的时钟偏移；训练中持续做漂移校正，不能只在开头对一次。
- 无法确认偏移时，跨设备的秒级结论应降级为分钟级的趋势描述。
检查二：采样率与时间尺度差异
IMU可能以较高频率采样，GPS通常按秒更新，心率可能按几秒给一个平滑值，睡眠是以夜为单位的估计。
- 不同频率的数据不能直接逐点相减。需要统一到共同的时间窗口，如把高频数据聚合为每步、每秒或每分钟的特征。
- 聚合方式也会带来信息损失：平均会掩盖峰值，峰值又容易放大噪声。需要根据下游用途选择，例如评估冲刺用峰值特征，评估耐力用窗口均值。
- 记录每一路数据的原始频率与聚合方式，方便之后溯源。
检查三：缺失值
缺失不是零。传感器掉线、蓝牙断开、佩戴松脱、App被系统后台回收，都会造成缺口。
- 区分缺口类型：短暂缺口（几秒）、中等缺口（几分钟）和整段缺失，处理策略不同。
- 短缺口：在生理和运动学上合理的范围内做插值，并标记为“插值”。
- 长缺口：不要用插值填充，直接标记为不可用，下游统计要排除该段。
- 缺口是否有规律：如果某一路总是在剧烈运动时缺失，说明缺失与状态本身相关，直接忽略会造成偏差。
检查四：校准与漂移
- 智能鞋的压力传感器需要基准；IMU需要坐标系和佩戴位置的确认；光学心率的基线随佩戴状态变化。
- 每次训练开始前，能做静止校准的做静止校准；无法校准时，降低绝对数值的权重，优先使用相对变化。
- 长期使用带来的老化和温度漂移，要通过个体历史来识别：同样的条件下，读数整体偏移的设备，应先怀疑设备而非身体。
检查五：冲突仲裁，不是平均
当两路数据对同一件事给出不同答案，平均值往往是最差的选择。比如手腕心率读数为一个较低值，胸带为一个较高值，平均后的数字谁都不代表。仲裁规则更像下面这样：
| 冲突类型 | 仲裁思路 |
|---|---|
| 同一物理量，多设备读数不一致（如两路心率） | 按当前场景与质量评分选择更可信的一路；质量都低则标注“不确定”，不合并 |
| 不同物理量看似矛盾（如恢复良好但步态变化） | 不视为冲突，分别保留并做假设检验，见融合场景示例 |
| 一路数据突变，其他不变 | 优先怀疑设备异常（脱落、接触不良），检查质量标记 |
| 多路数据同时向同一方向变化 | 置信度提高，但仍需排除共因，如同一次高强度比赛 |
仲裁的输出应包含选择了哪一路、依据是什么、剩余的不确定性有多大。
检查六：个体基线
绝对值在个体之间没有太大意义。同一个人的触地时间、静息心率、HRV，最有价值的是相对自己近期水平的偏移。
- 基线需要按可比条件建立：配速区间、鞋款、时间段。
- 基线本身要设有效期，因为体能提升、换鞋、赛季变化都会使旧基线失效。
- 数据不足时，系统应说“记录不足，暂不判断”，不要拿人群均值做替代。
检查七：输出时携带置信度
前六项完成后，最终输出需要保留过程信息：哪些数据被使用、哪些被排除、有哪些假设。用户看到的建议应当表达出强度层次，例如“有较高把握”“数据有缺口，仅供参考”。这与大模型体系里对多种数据类型统一处理的思路是一致的，可参考体育大模型要同时理解哪些数据。
常见的三个反模式
- 把所有设备平均化：看起来公平，实际抹掉了每个传感器的擅长领域，得到的数字没有任何一路设备能够解释。
- 用缺失值填零：零会被模型当成真实读数，例如心率变成零，触地时间变成零，训练负荷因此被错误地压低。
- 拿群体阈值判断个体：把某个通用数值当作“正常/异常”的分界，很容易对天生步态或心率特征不同的用户产生误判。
一个示意的检查记录
举例来说，假设一次训练结束后，系统生成了这样一条内部检查记录（内容为示意）：
| 项目 | 状态 | 处理 |
|---|---|---|
| 时钟偏移 | 手表与手机存在小幅偏差，鞋与手机较小 | 按同步事件校正，秒级结论降级 |
| 采样率 | IMU高频、心率低频 | 聚合到每步与每十秒窗口 |
| 缺口 | 左鞋有几段短缺口，手表无缺口 | 短缺口标记插值，长缺口剔除 |
| 校准 | 鞋垫未做静止校准 | 只使用相对变化 |
| 冲突 | 手表与胸带在冲刺段不一致 | 按质量评分采用胸带，标注不确定性 |
有了这样一张记录，后续的模型和解释才知道每个结论建立在什么样的输入之上。没有它，即使模型输出看起来合理，也无法追溯究竟哪一路数据造成了偏差。
一张简化的执行顺序
- 读取各设备原始数据与元信息（型号、采样率、电量、佩戴状态）。
- 时间对齐并估计偏移。
- 统一时间窗口，做特征聚合。
- 标记缺口与质量，剔除不可用片段。
- 校准检查，必要时改用相对变化。
- 冲突检测与仲裁，输出选择依据。
- 与个体基线比较，生成带置信度的结论。
设备越多，并不必然意味着信息越多。只有当数据可比、缺口被标记、冲突被仲裁，多出来的那一路设备才是真正的增量。而这套规则，也是判断多传感器研究趋势时值得关注的底层条件。
