可穿戴传感器时间序列数据的自监督流感检测
机器学习
2021-12-28 v1
摘要
自监督可提升下游任务中的模型性能。然而，尚无原则性方法用于选择能产生最具适应性模型的自监督目标。本文在来自可穿戴传感器的每日时间序列数据上研究该问题，这些数据用于检测类流感疾病（ILI）的发病。我们首先表明，利用自监督学习预测次日时间序列值，可学习到丰富的表示，并能适配用于准确的 ILI 预测。其次，我们对三种不同自监督目标进行实证分析，以评估其对 ILI 预测的适应性。结果表明，预测次日静息心率或睡眠卧床时间可为 ILI 预测提供更好的表示。这些发现补充了先前工作，证明了从活动数据中进行自监督学习以改善健康预测的实用价值。
引用
@article{arxiv.2112.13755,
title = {Self-supervision of wearable sensors time-series data for influenza detection},
author = {Arinbjörn Kolbeinsson and Piyusha Gade and Raghu Kainkaryam and Filip Jankovic and Luca Foschini},
journal= {arXiv preprint arXiv:2112.13755},
year = {2021}
}
备注
The workshop on Self-Supervised Learning at NeurIPS (2021)