論文の概要: ActiNet: Activity intensity classification of wrist-worn accelerometers using self-supervised deep learning

• arxiv url: http://arxiv.org/abs/2510.01712v1
• Date: Thu, 02 Oct 2025 06:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.026047
• Title: ActiNet: Activity intensity classification of wrist-worn accelerometers using self-supervised deep learning
• Title（参考訳）: ActiNet:自己教師型ディープラーニングを用いた手首加速度計の活動強度分類
• Authors: Aidan Acquah, Shing Chan, Aiden Doherty,
• Abstract要約: 本研究では、151人のCAPTURE-24参加者のデータを用いて,アクティネットモデル,18層モデル,ResNet-V2モデル,および隠れマルコフモデル(HMM)を訓練し,活動強度のラベルを分類した。 ActiNetモデルは、平均マクロF1スコアが0.82で、コーエンのカッパスコアが0.86で、活動強度のラベルを識別することができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of reliable and accurate human activity recognition (HAR) models on passively collected wrist-accelerometer data is essential in large-scale epidemiological studies that investigate the association between physical activity and health outcomes. While the use of self-supervised learning has generated considerable excitement in improving HAR, it remains unknown the extent to which these models, coupled with hidden Markov models (HMMs), would make a tangible improvement to classification performance, and the effect this may have on the predicted daily activity intensity compositions. Using 151 CAPTURE-24 participants' data, we trained the ActiNet model, a self-supervised, 18-layer, modified ResNet-V2 model, followed by hidden Markov model (HMM) smoothing to classify labels of activity intensity. The performance of this model, evaluated using 5-fold stratified group cross-validation, was then compared to a baseline random forest (RF) + HMM, established in existing literature. Differences in performance and classification outputs were compared with different subgroups of age and sex within the Capture-24 population. The ActiNet model was able to distinguish labels of activity intensity with a mean macro F1 score of 0.82, and mean Cohen's kappa score of 0.86. This exceeded the performance of the RF + HMM, trained and validated on the same dataset, with mean scores of 0.77 and 0.81, respectively. These findings were consistent across subgroups of age and sex. These findings encourage the use of ActiNet for the extraction of activity intensity labels from wrist-accelerometer data in future epidemiological studies.
• Abstract（参考訳）: 身体活動と健康状態との関連を調査する大規模な疫学研究において、受動的に収集された手首加速度計データに対する信頼性と正確な人体活動認識(HAR)モデルの使用が不可欠である。 自己教師型学習の使用は、HARの改善にかなりの興奮をもたらしたが、これらのモデルと隠れマルコフモデル(HMM)がどのようにして分類性能を著しく改善するかは、まだ分かっていない。 本研究では、151人のCAPTURE-24参加者のデータを用いて,アクティネットモデル,18層モデル,ResNet-V2モデル,および隠れマルコフモデル(HMM)を訓練し,活動強度のラベルを分類した。 その結果,本モデルの性能は,既存の文献で確立されたベースラインランダム林(RF+HMM)と比較された。 成績と分類のアウトプットの差異は,Capture-24人口内の年齢と性別の異なるサブグループと比較した。 ActiNetモデルは、平均マクロF1スコアが0.82で、コーエンのカッパスコアが0.86で、活動強度のラベルを識別することができた。 これはRF+HMMの性能を超え、それぞれ0.77と0.81のスコアで同じデータセットでトレーニングと検証が行われた。 これらの所見は年齢と性別のサブグループ間で一致していた。 これらの知見は、将来の疫学研究において、手首加速度計データから活動強度ラベルを抽出するためにActiNetの使用を奨励する。

関連論文リスト

• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• Self-supervised New Activity Detection in Sensor-based Smart Environments [2.5486448837945765]
  我々は、新しいアクティビティ検出のための多様なデータ拡張を伴うコントラスト学習を利用するモデルであるCLANを紹介する。 CLANは時間領域と周波数領域の両方を組み込んでおり、多面的識別表現の学習を可能にしている。 CLANは、最高のパフォーマンスのベースラインモデルと比較して、AUROCの9.24%の改善を実現している。
  論文  参考訳（メタデータ） (2024-01-17T03:57:36Z)
• Enhancing Machine Learning Performance with Continuous In-Session Ground Truth Scores: Pilot Study on Objective Skeletal Muscle Pain Intensity Prediction [0.31498833540989407]
  主観的な自己申告スコアに基づいて訓練された機械学習モデルは、苦痛を客観的に分類するのに苦労する。 本研究は,ANS変調内皮活動(EDA)のリアルタイム連続的鎮痛スコア取得と収集のための2つの装置を開発した。 客観的EDAとインセッションスコアのトレーニングを受けたモデルは、それぞれ70.3%と74.6%のトレーニングを受けたモデルと比較して、優れたパフォーマンス(75.9%と78.3%)を達成した。
  論文  参考訳（メタデータ） (2023-08-02T00:28:22Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Activity Cliff Prediction: Dataset and Benchmark [20.41770222873952]
  本稿ではまず,AC予測のための大規模データセットACNetを紹介する。 ACNetは400K以上のMMP(Matched Molecular Pairs)を190のターゲットに対してキュレートする。 本稿では、深いニューラルネットワークで符号化された分子表現の予測性能を交流予測のためにベンチマークするためのベースラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-15T09:19:07Z)
• An Evaluation of the EEG alpha-to-theta and theta-to-alpha band Ratios as Indexes of Mental Workload [2.741266294612776]
  多くの研究では、脳波帯、特にアルファバンドとテータバンドが認知負荷指標として有用であることが示されている。 本研究の目的は,アルファ・トゥ・セタとテータ・トゥ・アルファ・バンドの比率が,自己申告された精神労働負荷の知覚を識別できるモデルの作成に与える影響を評価・分析することである。
  論文  参考訳（メタデータ） (2022-02-22T14:52:50Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。