数据范围
数据来自 mcPHASES（穿戴、激素、自报多模态）。处理后共 111 个周期、40 名用户；其中 79 个带标签周期（37 名用户）用于带标签的排卵与下次月经时机分析。
Research Case Study
案例：穿戴信号与不规则周期
本页基于 workshop 论文 Menstrual Cycle Prediction with Wearable and Personal Historical Information: Heterogeneous Effects Across Irregularity Profiles，给出更详细的教学型案例解读：研究问题、实验协议、方法比较、分组结果与局限。
这个案例的核心问题是什么？
在按日预测月经相关事件时，穿戴生理信号是否能在日历与个人历史基线之外提供实质增益？这种增益是否依赖于不规则分型，而不是简单的“规律/不规律”二分？
- 在按人切分、贴近部署现实的评估下，current-cycle 生理信号是否稳定优于静态历史参照？
- 增益是否来自所有不规则人群，还是集中在特定不规则机制（如高变异）？
- 在固定 wearable 推断路径后，继续叠加历史信息是否带来一致额外收益？
数据与评估协议（详细版）
按日预测约束
在周期第 d 天仅可使用截至 d 天可见信息；人群共享 wearable 模型按 leave-one-subject-out 评估，避免同一受试者信息泄漏到训练与测试。
不规则性按两轴分析：平均周期长度（短/典型/长）与周期间变异（低/中/高），并额外看稳定长度交叉组（如 long-stable）。这些标签仅用于分析，不作为模型输入。
具体比较了哪些方法？
- Calendar：人群层静态周期先验。
- History-only：个体历史周期长度静态基线。
- Wearable reference：固定的人群共享 wearable 路径（当前周期生理信号）。
- Wearable + History ACL：在倒计时阶段加入历史平均周期长度先验。
- Wearable + history-physiology refinement：在倒计时阶段加入历史生理相似性修正。
| 方法 | 总体 MAE (天) | 落在 +/- 3 天内比例 |
|---|---|---|
| Calendar | 3.843 | 0.557 |
| History-only | 4.492 | 0.471 |
| Wearable reference | 1.850 | 0.757 |
| Wearable + History ACL | 2.152 | 0.686 |
| Wearable + history-physiology refinement | 2.216 | 0.714 |
总体上，固定 wearable 参考优于两个静态参照；但在该设置下，继续叠加倒计时历史信息并未形成一致的总体额外收益。
分组结果具体说明了什么？
长周期与高变异组增益最明显
相对 History-only，long 组 MAE 从 10.286 降至 1.325；high-variability 组从 10.430 降至 1.087。
long-stable 组也可见强收益
long-stable 子组 MAE 从 8.000 降至 1.019，说明当前周期生理证据在该分型中有明显价值。
存在反例：short-stable 组
short-stable 中 History-only 优于 wearable reference（2.750 vs 4.202），提示偏移但稳定的人群可能更适合历史基线。
历史增强属于“选择性改进”
两个倒计时历史变体在 high-variability 组可进一步改善（到 0.945 与 0.872），但并未在所有稳定或典型子组中普遍提升。
哪些结论仍需更强证据？
- 带标签样本规模仍有限（79 个周期，37 名用户），且部分子组稀疏，分组排序应视为指示性证据。
- 结果建立在单一 subject-wise 协议与当前队列上，仍需在更大、独立的纵向数据中重复验证。
- 个性化目前主要检视倒计时阶段入口，管线其他入口（何时、何层引入个性化）仍是开放问题。
建议把这个案例作为实证锚点，再回到领域综述中的开放问题框架，继续扩展不规则分型、标签透明度与部署现实研究。