ActiNet：基于自监督深度学习的手腕佩戴加速度计活动强度分类工具
机器学习
2026-05-01 v2
摘要
在被动收集的手腕加速度计数据上使用准确可靠的开源人体活动识别 (HAR) 模型，对于调查体力活动与健康结果关联性的大规模流行病学研究至关重要。虽然自监督学习在提高 HAR 方面取得了显著进展，但这些模型结合隐藏马尔可夫模型 (HMM) 时，是否能在分类性能和对每日活动强度组成的预测结果方面实现实际性的提高尚不为人知。我们使用来自 151 名 CAPTURE-24 受试者（年龄 18-91 岁，平均年龄 42 岁，66% 为女性）的最长达 24 小时的手腕佩戴加速度计数据，训练了 ActiNet 模型，该模型由 HARNet 组成——一个自监督的 18 层修改版 ResNet-V2 模型，随后接上隐藏马尔可夫模型 (HMM) 平滑处理，以对活动强度标签进行分类。该模型的性能通过 5 折分层组交叉验证进行评估，然后与现有文献中建立的基准随机森林 (RF) + HMM 进行比较。比较不同年龄和性别 subgroups 的性能和分类输出。ActiNet 模型以平均宏 F1 分数 0.82 和平均 Cohen's Kappa 分数 0.86 能够区分活动强度标签。这超过了在同一数据集上训练和验证的 RF + HMM，其平均分为 0.76 和 0.80。性能的提升在年龄和性别的不同子群中均保持一致。这些发现鼓励在未来的流行病学研究中使用 ActiNet 从手腕加速度计数据中提取活动强度标签。
引用
@article{arxiv.2510.01712,
title = {ActiNet: An Open-Source Tool for Activity Intensity Classification of Wrist-Worn Accelerometry Using Self-Supervised Deep Learning},
author = {Aidan Acquah and Shing Chan and Aiden Doherty},
journal= {arXiv preprint arXiv:2510.01712},
year = {2026}
}