自主监督学习用于人类活动识别,使用70万人日的可穿戴数据
Hang Yuan1,2,3, Shing Chan1,2, Andrew P Creagh2,4
1Nuffield Department of Population Health, University of Oxford, Oxford, UK.
NPJ digital medicine
|April 12, 2024
概括
这项研究在英国生物库的大型数据集上使用自我监督学习来改进人类活动识别模型. 新模型在各种疾病中显示出更好的准确性和通用性,有助于健康研究.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 准确的体育活动监测对于了解健康影响至关重要.
- 目前的人类活动识别算法受到小标记数据集的限制.
研究的目的:
- 开发高度通用和准确的人类活动识别模型.
- 为了利用英国生物银行加速仪数据集的自我监督学习.
主要方法:
- 利用自我监督的学习技术.
- 在700,000人日的英国生物银行未标记的加速度计数据上训练模型.
主要成果:
- 模型表现出比基线显著的性能改善 (2.5-130.9%F1相对改善).
- 在外部数据集,队列,环境和传感器设备中实现了卓越的概括性.
结论:
- 自主监督学习有效地解决了人类活动识别中的数据限制.
- 开源模型为研究提供了有价值的工具,但标记数据稀缺或采样需求多样化.
