使用加速器识别人类活动的频率感知面具自动编码器

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 可穿戴的加速度计是持续监测身体活动的关键.
• 人类活动识别 (HAR) 的监督学习受到稀缺的标记数据的限制.
• 在大型未标记数据集上进行自我监督的预训为HAR提供了一个有前途的替代方案.

研究的目的:

• 为了研究自主监督的预训,使用时间序列变压器掩盖自动编码器 (MAE) 进行HAR.
• 引入和评估基于谱图的新型损失函数:日志尺度平均幅度 (LMM) 和日志尺度大小方差 (LMV).
• 为了比较LMM和LMV损失与MAE预培训的平均平方误差 (MSE).

主要方法:

• 使用时间序列变压器掩盖自动编码器 (MAE) 进行自我监督的预训.
• 开发并测试了基于光谱的LMM和LMV损失函数.
• 在大型未标记的英国生物库加速度计数据集 (n=109k) 上预先训练的模型.
• 在标记的数据集上使用线性探测对下游HAR性能进行评估.

主要成果:

• 与MSE损失相比,随着LMM损失的预训显著改善了HAR表现 (12.7%的学科F1得分增加).
• 使用LMM预训练的变压器模型的性能优于使用线性探测的最新的基于ResNet的HAR模型 (+9.8%F1).
• 将LMV损失添加到LMM损失中没有提高,而略有降低了业绩.
• 对于MAE预训练,LMM损失在HAR的加速度计数据上显示出强度和有效性.

结论:

• LMM损失函数是有效的自主监督预训MAE模型HAR使用加速度计数据.
• 基于序列的模型的自我监督预训具有很大的潜力,可以推进自由生活的HAR.
• 这种方法可以更准确地监测身体活动,这对于移动性评估,康复和慢性疾病管理至关重要.