从大规模可穿戴数据学习可泛化的生理表征
机器学习
2020-11-10 v1 人工智能
计算机与社会
摘要
迄今为止,配备传感器的移动设备研究主要聚焦于纯监督的人体活动识别任务(行走、跑步等),在从加速度等低级信号推断高级健康结果方面成效有限。本文提出一种利用无语义标签的活动与心率(HR)信号的自监督表征学习方法。我们通过深度神经网络将 HR 响应设为活动数据的监督信号,利用其潜在的生理关联。我们在最大的自由生活联合传感数据集(包含超过 280,000 小时的腕部加速度计与可穿戴 ECG 数据)上评估模型,表明所得嵌入可通过带线性分类器的迁移学习在各种下游任务中泛化,捕捉具有生理意义且个性化的信息。例如,它们可用于预测( AUC 高于 70)与个体健康、体能及人口统计学特征相关的变量,优于无监督自编码器与常见生物标记物。总体而言,我们提出了首个面向行为与生理数据的多模态自监督方法,对大规模健康与生活方式监测具有启示意义。
引用
@article{arxiv.2011.04601,
title = {Learning Generalizable Physiological Representations from Large-scale Wearable Data},
author = {Dimitris Spathis and Ignacio Perez-Pozuelo and Soren Brage and Nicholas J. Wareham and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2011.04601},
year = {2020}
}
备注
Accepted to the Machine Learning for Mobile Health workshop at NeurIPS 2020