論文の概要: Self-supervised transfer learning of physiological representations from
free-living wearable data
- arxiv url: http://arxiv.org/abs/2011.12121v1
- Date: Wed, 18 Nov 2020 23:21:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 05:28:08.472082
- Title: Self-supervised transfer learning of physiological representations from
free-living wearable data
- Title（参考訳）: 自由生活ウェアラブルデータからの生理的表現の自己制御的伝達学習
- Authors: Dimitris Spathis, Ignacio Perez-Pozuelo, Soren Brage, Nicholas J.
Wareham and Cecilia Mascolo
- Abstract要約: 意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
- 参考スコア（独自算出の注目度）: 12.863826659440026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wearable devices such as smartwatches are becoming increasingly popular tools
for objectively monitoring physical activity in free-living conditions. To
date, research has primarily focused on the purely supervised task of human
activity recognition, demonstrating limited success in inferring high-level
health outcomes from low-level signals. Here, we present a novel
self-supervised representation learning method using activity and heart rate
(HR) signals without semantic labels. With a deep neural network, we set HR
responses as the supervisory signal for the activity data, leveraging their
underlying physiological relationship. In addition, we propose a custom
quantile loss function that accounts for the long-tailed HR distribution
present in the general population.
We evaluate our model in the largest free-living combined-sensing dataset
(comprising >280k hours of wrist accelerometer & wearable ECG data). Our
contributions are two-fold: i) the pre-training task creates a model that can
accurately forecast HR based only on cheap activity sensors, and ii) we
leverage the information captured through this task by proposing a simple
method to aggregate the learnt latent representations (embeddings) from the
window-level to user-level. Notably, we show that the embeddings can generalize
in various downstream tasks through transfer learning with linear classifiers,
capturing physiologically meaningful, personalized information. For instance,
they can be used to predict variables associated with individuals' health,
fitness and demographic characteristics, outperforming unsupervised
autoencoders and common bio-markers. Overall, we propose the first multimodal
self-supervised method for behavioral and physiological data with implications
for large-scale health and lifestyle monitoring.
- Abstract（参考訳）: スマートウォッチのようなウェアラブルデバイスは、自由生活環境で身体活動を客観的に監視するツールとして、ますます人気が高まっている。
これまでの研究は、人間の行動認識の純粋に監督されたタスクに重点を置いており、低レベルの信号から高レベルの健康結果を推測することに成功した。
そこで本研究では,意味ラベルのない活動と心拍(HR)信号を用いた自己教師付き表現学習手法を提案する。
深層ニューラルネットワークでは,活動データの監視信号としてHR応答を設定し,その基礎となる生理的関係を活用する。
また,一般人口の長期HR分布を考慮に入れた独自の量的損失関数を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブルECGデータの280万時間以上)で評価する。
私たちの貢献は2つあります。
一 トレーニング前作業は、安価な活動センサのみに基づいてHRを正確に予測できるモデルを作成し、
二 ウィンドウレベルからユーザレベルに学習した潜伏表現(埋め込み)を集約する簡単な方法を提案することにより、このタスクを通じて取得した情報を活用する。
特に, 組込みは, 線形分類器を用いた伝達学習, 生理学的に意味のあるパーソナライズされた情報をキャプチャすることで, 様々な下流タスクに一般化できることを示す。
例えば、個人の健康、フィットネス、人口統計の特徴に関連する変数を予測し、教師なしのオートエンコーダや一般的なバイオマーカーよりも優れています。
総じて,大規模健康とライフスタイルモニタリングに影響を及ぼす行動・生理データに対する,最初のマルチモーダル自己教師あり手法を提案する。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Personalization of Stress Mobile Sensing using Self-Supervised Learning [1.7598252755538808]
ストレスは様々な健康問題への主要な貢献者として広く認められている。
リアルタイムのストレス予測は、デジタル介入がストレスの開始時に即座に反応し、心臓のリズム不規則性のような多くの心理的、生理的症状を避けるのに役立つ。
しかし、機械学習を用いたストレス予測の主な課題は、ラベルの主観性とスパース性、大きな特徴空間、比較的少ないラベル、特徴と結果の間の複雑な非線形および主観的関係である。
論文 参考訳（メタデータ） (2023-08-04T22:26:33Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly
Unlabeled Mobile Sensor Data [61.79595926825511]
正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。
本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。
Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
論文 参考訳（メタデータ） (2022-03-07T01:23:46Z) - Human Activity Recognition on wrist-worn accelerometers using
self-supervised neural networks [0.0]
日常生活活動の指標 (ADL) は, 健康の指標として重要であるが, 生体内測定は困難である。
本稿では,加速度センサデータの頑健な表現をデバイスや対象に対して一般化するための自己教師付き学習パラダイムを提案する。
また,連続した実生活データに対して,有意な活動のセグメントを同定し,HARの精度を高めるセグメンテーションアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-22T23:35:20Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。
行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。
学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
論文 参考訳（メタデータ） (2021-03-23T11:10:04Z) - Learning Generalizable Physiological Representations from Large-scale
Wearable Data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。
本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
論文 参考訳（メタデータ） (2020-11-09T17:56:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。