基于自由生活可穿戴数据的生理表征自监督迁移学习
信号处理
2021-05-26 v1 计算机与社会
机器学习
摘要
智能手表等可穿戴设备正日益成为在自由生活条件下客观监测身体活动的流行工具。迄今为止，研究主要集中于纯监督的人体活动识别任务，在从低层信号推断高层健康结果方面成效有限。在此，我们提出一种利用活动和心率(HR)信号且无需语义标签的自监督表征学习方法。借助深度神经网络，我们将HR响应设为活动数据的监督信号，利用其潜在的生理关系。此外，我们提出一种自定义分位数损失函数，以考虑普通人群中存在长尾HR分布。我们在最大的自由生活联合传感数据集(包含超过28万小时的腕部加速度计与可穿戴ECG数据)上评估我们的模型。我们的贡献有两点：i) 该预训练任务创建了一个仅基于廉价活动传感器即可准确预测HR的模型；ii) 我们通过对从窗口级到用户级的学习潜表征(嵌入)进行简单聚合的方法，利用了通过该任务捕获的信息。值得注意的是，我们表明这些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，捕获具有生理意义且个性化的信息。例如，它们可用于预测与个体健康、体能和人口统计学特征相关的变量，优于无监督自编码器和常见生物标志物。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意义。
引用
@article{arxiv.2011.12121,
title = {Self-supervised transfer learning of physiological representations from free-living wearable data},
author = {Dimitris Spathis and Ignacio Perez-Pozuelo and Soren Brage and Nicholas J. Wareham and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2011.12121},
year = {2021}
}
备注
9 pages, 3 figures (long version of extended abstract arXiv:2011.04601)