面向可穿戴设备缺失数据场景的表示学习

可穿戴设备持续收集传感器数据，并用于推断个体的行为，如睡眠、身体活动和情绪。尽管该领域有显著的兴趣和进展，但由于数据质量低和标注数据有限，在真实环境中对多模态传感器数据进行建模仍然具有挑战性。在这项工作中，我们研究了用于填补缺失可穿戴数据的表示学习，并将其与最先进的统计方法进行比较。我们研究了Transformer模型在10个生理和行为信号上的性能，并采用了不同的掩码比例。我们的结果表明，对于变化更频繁的信号，Transformer在缺失数据填补方面优于基线方法，但对于单调信号则不然。我们进一步研究了填补策略和掩码比例对下游分类任务的影响。我们的研究为基于掩码的自监督学习任务的设计和开发提供了见解，并倡导采用混合填补策略来解决可穿戴设备中的缺失数据挑战。