MoPFormer：用于可穿戴传感器活动识别的运动原语 Transformer

使用可穿戴传感器的人类活动识别面临可解释性有限的问题，这显著�影响跨数据集的泛化。为此，我们提出运动原语 Transformer（MoPFormer），一种新型自监督框架，通过将惯性测量单元信号分词为语义上有意义的运动原语，并利用 Transformer 架构学习丰富的时序表示来增强可解释性。MoPFormer 包含两个阶段：第一个阶段将多通道传感器流划分为短段并量化为离散的“运动原语”编码器，第二个阶段通过情境感知嵌入模块丰富这些分词序列，然后使用 Transformer 编码器处理。 proposed MoPFormer 可通过掩码运动建模目标进行预训练，以重建缺失的原语，从而在不同传感器配置下开发出鲁健的表示。在六个活动识别基准测试中进行的实验表明，MoPFormer 不仅超过了最先进的方法，成功地在多个数据集之间实现了泛化。更重要的是，所学运动原语显著增强了可解释性和跨数据集性能，通过捕捉在类似活动中保持一致的基本运动模式，无论数据集来源如何。