論文の概要: Bio-Inspired Self-Supervised Learning for Wrist-worn IMU Signals

• arxiv url: http://arxiv.org/abs/2603.10961v1
• Date: Wed, 11 Mar 2026 16:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.059464
• Title: Bio-Inspired Self-Supervised Learning for Wrist-worn IMU Signals
• Title（参考訳）: Wrist-worn IMU信号に対するバイオインスパイアされた自己教師付き学習
• Abstract要約: モータ制御のサブムーブメント理論に基づく新しいトークン化戦略を導入する。 我々はトークンを有限列のサブムーブメントからなる動きの単位である移動セグメントとして定義する。 我々の表現は、6つの主題不一致HARベンチマークで強いウェアラブルSSLベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 21.295169769759053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable accelerometers have enabled large-scale health and wellness monitoring, yet learning robust human-activity representations has been constrained by the scarcity of labeled data. While self-supervised learning offers a potential remedy, existing approaches treat sensor streams as unstructured time series, overlooking the underlying biological structure of human movement, a factor we argue is critical for effective Human Activity Recognition (HAR). We introduce a novel tokenization strategy grounded in the submovement theory of motor control, which posits that continuous wrist motion is composed of superposed elementary basis functions called submovements. We define our token as the movement segment, a unit of motion composed of a finite sequence of submovements that is readily extractable from wrist accelerometer signals. By treating these segments as tokens, we pretrain a Transformer encoder via masked movement-segment reconstruction to model the temporal dependencies of movement segments, shifting the learning focus beyond local waveform morphology. Pretrained on the NHANES corpus (approximately 28k hours; approximately 11k participants; approximately 10M windows), our representations outperform strong wearable SSL baselines across six subject-disjoint HAR benchmarks. Furthermore, they demonstrate stronger data efficiency in data-scarce settings. Code and pretrained weights will be made publicly available.
• Abstract（参考訳）: ウェアラブル加速度計は、大規模健康と健康の監視を可能にしているが、ラベル付きデータの不足により、堅牢な人間活動表現の学習が制限されている。 自己教師型学習は潜在的な治療法を提供する一方で、既存のアプローチでは、センサストリームを非構造的時系列として扱い、人間の運動の基盤となる生物学的構造を見渡すことができる。 本稿では,運動制御のサブムーブメント理論に基づく新しいトークン化戦略を導入する。これは,連続手首の動きがサブムーブメントと呼ばれる重畳基本関数からなることを示唆するものである。 我々は,このトークンを,手首加速度センサ信号から容易に抽出可能な有限列のサブムーブメントからなる動きの単位である移動セグメントとして定義する。 これらのセグメントをトークンとして扱うことで,移動セグメントの時間的依存性をモデル化するために,マスク付き移動分割再構成によりトランスフォーマーエンコーダを事前訓練し,局所波形形態を超えて学習焦点をシフトさせる。 NHANESコーパス(約28k時間、約1万の参加者、約10万のウィンドウ)で事前トレーニングされた当社の表現は、6つの被写体非接触HARベンチマークにおいて、強力なウェアラブルSSLベースラインを上回ります。 さらに、データスカース設定において、より強力なデータ効率を示す。 コードと事前訓練された重量は公開されます。

関連論文リスト

• Classifying daily activities needs posture, reconstructing them needs motion [0.0]
  我々は、MoViデータセットからの16日間の活動のビデオを用いて、3つの運動分析戦略を比較した。 運動分類には2つの識別的特徴が認められた。 運動分類において最も有意な9つの重要な関節を同定した。
  論文  参考訳（メタデータ） (2026-07-14T19:21:32Z)
• MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
  MotionMARは、スパース観測からの運動再構成のためのフレームワークである。 まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。 MotionMARは、AMASSデータセット上で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-06-22T08:15:56Z)
• MotionTeller: Multi-modal Integration of Wearable Time-Series with LLMs for Health and Behavioral Understanding [4.158479111055355]
  MotionTellerは、大規模言語モデル(LLM)と微小レベルのウェアラブルアクティビティデータを統合した生成フレームワークである。 我々は,実世界のNHANES記録から得られた554383対の新たなデータセットを構築し,言語トークンにのみ依存したクロスエントロピー損失を用いてモデルを訓練する。 MotionTellerは高いセマンティック忠実度(BERT-F1 = 0.924)と語彙精度(ROUGE-1 = 0.722)を実現し、ROUGE-1ではプロンプトベースのベースラインを7%上回っている。
  論文  参考訳（メタデータ） (2025-12-25T04:37:07Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• 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)
• Masked Motion Predictors are Strong 3D Action Representation Learners [143.9677635274393]
  人間の3次元行動認識では、教師付きデータが限られており、トランスフォーマーのような強力なネットワークのモデリング能力を十分に活用することは困難である。 人間の関節において、マスク付き自己成分再構成を行うための一般的な前提に従わず、明示的な文脈運動モデリングが、3次元動作認識のための効果的な特徴表現の学習の成功の鍵となることを示す。
  論文  参考訳（メタデータ） (2023-08-14T11:56:39Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• 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)
• 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)
• Segmentation and Classification of EMG Time-Series During Reach-to-Grasp Motion [10.388787606334745]
  動的アーム/ハンド姿勢の変動を伴う連続把握動作から発生するEMG信号を分類するためのフレームワークを提案する。 提案されたフレームワークはリアルタイムに評価され、時間とともに精度が変化した。
  論文  参考訳（メタデータ） (2021-04-19T20:41:06Z)
• 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)
• Learning Motion Flows for Semi-supervised Instrument Segmentation from Robotic Surgical Video [64.44583693846751]
  本研究は,スパースアノテーションを用いたロボット手術ビデオから半教師楽器のセグメンテーションについて検討する。 生成されたデータペアを利用することで、我々のフレームワークはトレーニングシーケンスの時間的一貫性を回復し、強化することができます。 その結果,本手法は最先端の半教師あり手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-06T02:39:32Z)

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。