基于生物启发的手腕手环加速度计数据自监督学习
机器学习
2026-05-28 v2
摘要
可穿戴加速度计使大规模健康监测成为可能，但有效的人类活动表示学习仍受限于稀缺的标注数据。虽然自监督学习提供了解方，但现有方法将传感器流视为非结构化时间序列，忽视了人类运动生物学结构，这一因素我们认为对于有效的人类活动识别 (HAR) 至关重要。我们引入一种基于运动控制子运动理论的新型 tokenization 策略，认为连续手腕运动由称为子运动的基本基函数构成。我们将 token 定义为运动片段，这是由有限子运动序列构成的可计算的运动单元。通过对这些 token 进行掩码重建来预训练 Transformer 编码器，我们将学习焦点从局部波形形态转向高层结构和时间组织。在约 28k 小时、1.1 万 名受试者的 NHANES 语料库上预训练后，我们的表示在六个受试者不相交的 HAR 基准测试中超越了强大的可穿戴 SSL 基线。代码和预训练权重已在 https://prithvitarale.github.io/biopm-site/ 提供。
引用
@article{arxiv.2603.10961,
title = {Bio-Inspired Self-Supervised Learning for Wrist-worn Accelerometer Data},
author = {Prithviraj Tarale and Kiet Chu and Abhishek Varghese and Kai-Chun Liu and Maxwell A. Xu and Mohit Iyyer and Sunghoon I. Lee},
journal= {arXiv preprint arXiv:2603.10961},
year = {2026}
}