論文の概要: PIM: Physics-Informed Multi-task Pre-training for Improving Inertial Sensor-Based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2503.17978v1
• Date: Sun, 23 Mar 2025 08:16:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:38:44.762928
• Title: PIM: Physics-Informed Multi-task Pre-training for Improving Inertial Sensor-Based Human Activity Recognition
• Title（参考訳）: PIM:物理インフォームドマルチタスク事前学習による慣性センサに基づく人間活動認識の改善
• Authors: Dominique Nshimyimana, Vitor Fortes Rey, Sungho Suh, Bo Zhou, Paul Lukowicz,
• Abstract要約: IMUに基づくヒューマンアクティビティ認識(HAR)のための物理インフォームドマルチタスク事前学習(PIM)フレームワークを提案する。 PIMは、人間の動作の基本的物理的側面の理解に基づいて、プレテキストタスクを生成する。 マクロf1スコアの約10%の利得と,クラスごとのラベル付き例は2～8例に過ぎなかった。
• 参考スコア（独自算出の注目度）: 4.503003860563811
• License:
• Abstract: Human activity recognition (HAR) with deep learning models relies on large amounts of labeled data, often challenging to obtain due to associated cost, time, and labor. Self-supervised learning (SSL) has emerged as an effective approach to leverage unlabeled data through pretext tasks, such as masked reconstruction and multitask learning with signal processing-based data augmentations, to pre-train encoder models. However, such methods are often derived from computer vision approaches that disregard physical mechanisms and constraints that govern wearable sensor data and the phenomena they reflect. In this paper, we propose a physics-informed multi-task pre-training (PIM) framework for IMU-based HAR. PIM generates pre-text tasks based on the understanding of basic physical aspects of human motion: including movement speed, angles of movement, and symmetry between sensor placements. Given a sensor signal, we calculate corresponding features using physics-based equations and use them as pretext tasks for SSL. This enables the model to capture fundamental physical characteristics of human activities, which is especially relevant for multi-sensor systems. Experimental evaluations on four HAR benchmark datasets demonstrate that the proposed method outperforms existing state-of-the-art methods, including data augmentation and masked reconstruction, in terms of accuracy and F1 score. We have observed gains of almost 10\% in macro f1 score and accuracy with only 2 to 8 labeled examples per class and up to 3% when there is no reduction in the amount of training data.
• Abstract（参考訳）: ディープラーニングモデルを持つヒューマンアクティビティ認識(HAR)は、大量のラベル付きデータに依存しており、しばしばコスト、時間、労力による取得が困難である。 自己教師付き学習(SSL)は、プリトレーニングエンコーダモデルに対する、マスク付き再構成や信号処理ベースのデータ拡張によるマルチタスク学習といったプリテキストタスクを通じてラベルのないデータを活用する効果的なアプローチとして登場した。 しかし、そのような手法は、ウェアラブルセンサーデータとそれらが反映する現象を管理する物理的なメカニズムや制約を無視したコンピュータビジョンのアプローチから派生することが多い。 本稿では,IMUベースのHARのための物理インフォームドマルチタスク事前学習(PIM)フレームワークを提案する。 PIMは、運動速度、運動角、センサー配置間の対称性など、人間の運動の基本的物理的側面の理解に基づいて、プレテキストタスクを生成する。 センサ信号が与えられた場合、物理式を用いて対応する特徴を計算し、SSLのプリテキストタスクとして使用する。 これにより、モデルは人間の活動の基本的物理的特性を捉えることができ、これは特にマルチセンサーシステムに関係している。 4つのHARベンチマークデータセットの実験的評価により、提案手法は、精度とF1スコアの観点から、データ拡張やマスク再構成を含む既存の最先端手法よりも優れていることが示された。 学習データ量が減少しない場合, マクロf1スコアの約10倍, クラスごとのラベル付きサンプルが2～8個, 最大3%の精度で得られた。

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)
• Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
  本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。 本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。 C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
  論文  参考訳（メタデータ） (2024-06-21T19:55:34Z)
• Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
  HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。 本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。 コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
  論文  参考訳（メタデータ） (2024-04-25T10:13:18Z)
• A Deep Learning Sequential Decoder for Transient High-Density Electromyography in Hand Gesture Recognition Using Subject-Embedded Transfer Learning [11.170031300110315]
  ハンドジェスチャ認識(HGR)は、AIによる人間コンピュータの利用の増加により注目されている。 これらのインターフェースには、拡張現実の制御、アジャイルの義肢、外骨格など、さまざまなアプリケーションがある。 これらのインターフェースには、拡張現実の制御、アジャイルの義肢、外骨格など、さまざまなアプリケーションがある。
  論文  参考訳（メタデータ） (2023-09-23T05:32:33Z)
• 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)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Am I fit for this physical activity? Neural embedding of physical conditioning from inertial sensors [0.0]
  Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。 本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。 公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。 PCE-LSTMは平均絶対誤差を10%以上下げる。
  論文  参考訳（メタデータ） (2021-03-22T18:00:27Z)
• MARS: Mixed Virtual and Real Wearable Sensors for Human Activity Recognition with Multi-Domain Deep Learning Model [21.971345137218886]
  仮想IMUに基づく大規模データベースの構築を提案し,その上で,3つの技術部分からなる多分野ディープラーニングフレームワークを導入することにより,技術的問題に対処する。 まず,混成畳み込みニューラルネットワーク(CNN)を用いたノイズの多いIMUデータから,単一フレームの人間活動について半教師付き形式で学習することを提案する。 第2の部分は、不確実性を認識した一貫性の原則に従って抽出されたデータ特徴を融合する。 転送学習は、最近リリースされたArchive of Motion Capture as Surface Shapes (AMASS)データセットに基づいて、最後の部分で実行される。
  論文  参考訳（メタデータ） (2020-09-20T10:35:14Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。