論文の概要: TransfHAR: Self-Supervised Wrist Representations for On-Demand Activity Recognition

• arxiv url: http://arxiv.org/abs/2608.15861v1
• Date: Sun, 16 Aug 2026 17:09:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.452898
• Title: TransfHAR: Self-Supervised Wrist Representations for On-Demand Activity Recognition
• Title（参考訳）: TransfHAR:オン・デマンド・アクティビティ認識のための自己監督型リスト表現
• Abstract要約: TransfHARはオンデマンドできめ細かいアクティビティ認識のためのセルフ教師付き手首IMUフレームワークである。 本研究では,TransfHARが運動構造を十分に学習し,精密なマニピュレータ,ジェスチャー,手続き的活動に移行することを示す。 TransfHARは,ユーザが自身のアクティビティセットを定義して拡張するための,リアルタイムスマートウォッチアプリケーションです。
• 参考スコア（独自算出の注目度）: 16.565945982234748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained wrist activity recognition can support applications such as procedural step guidance and context-aware assistance, yet acquiring labeled data for every new task, user, and activity granularity remains a bottleneck. We present TransfHAR, a self-supervised wrist IMU framework for on-demand, fine-grained activity recognition by learning transferable motion priors from global, unlabeled activities. We show that self-supervised pretraining on coarse wrist IMU activities (e.g., sitting, walking, exercise) learns motion structure rich enough to transfer to fine-grained manipulative, gestural, and procedural activities (e.g., snapping, stirring, waving) that are absent from pretraining. We implement TransfHAR as a real-time smartwatch application that lets users define and expand their own activity set for personalized recognition from only a few demonstrations. Across three offline cross-dataset evaluations, TransfHAR matches or exceeds fully supervised baselines that use complete label sets with equal or additional sensor channels, by 6.2 balanced-accuracy points on average. In an in-lab study with 10 participants each performing seven novel wrist activities, TransfHAR reaches 86.7% balanced accuracy across participants with five examples per class and 90.4% when updated from a single one-minute recording per class. These results indicate that broad self-supervised wrist pretraining provides an effective foundation for on-demand fine-grained activity recognition.
• Abstract（参考訳）: きめ細かい手首アクティビティ認識は、手続き的なステップガイダンスやコンテキスト認識アシストなどのアプリケーションをサポートすることができるが、新しいタスク、ユーザ、アクティビティの粒度ごとにラベル付きデータを取得することはボトルネックのままである。 本稿では,世界的かつラベルなしな活動から移動可能な動きを学習することで,オンデマンドできめ細かな活動認識を実現するための,自己教師付き手首IMUフレームワークであるTransfHARを提案する。 本研究は,手首の粗い動作(例えば,座る,歩行する,運動する)における自己指導的事前訓練が,前訓練を欠いた微小な操作,ジェスチャー,手続き的活動(例えば,スナッピング,かき鳴らす,振る)に移行するのに十分な運動構造を学習することを示す。 TransfHARは、ユーザがいくつかのデモからパーソナライズされた認識のために、独自のアクティビティセットを定義して拡張できるリアルタイムスマートウォッチアプリケーションです。 TransfHARは3つのオフラインのクロスデータセット評価の中で、同等またはそれ以上のセンサーチャネルを持つ完全なラベルセットを使用する完全な教師付きベースラインを平均6.2のバランスの取れた精度ポイントで一致または超える。 7つの新しい手首活動を行う10人の参加者によるインラボスタディにおいて、TransfHARは、クラス毎に5つの例で86.7%、クラスごとに1つの1分間の記録から更新すると90.4%の精度で参加者間でバランスの取れた精度に達した。 以上の結果から,広範囲の自己指導型手首事前訓練が,オンデマンドのきめ細かい活動認識に有効な基盤となることが示唆された。

関連論文リスト

• Bio-Inspired Self-Supervised Learning for Wrist-worn IMU Signals [21.295169769759053]
  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。
  論文  参考訳（メタデータ） (2026-03-11T16:48:33Z)
• Human Activity Recognition Based on Electrocardiogram Data Only [5.367301239087641]
  本研究は,6つの異なる活動において,心電図のみによる活動の堅牢な認識を初めて示す。 Squeeze-and-Excitationブロック付きCNN分類器を含む3つの新しいディープラーニングモデルの設計と評価を行った。 CNNTransformer hybridは、未確認の被験者の72%の精度に達するのに対し、54人の被験者のデータから6つの活動に対して、すべての3つのモデルが94%以上の精度を達成している。
  論文  参考訳（メタデータ） (2025-09-14T01:26:32Z)
• WearableMil: An End-to-End Framework for Military Activity Recognition and Performance Monitoring [7.130450173185638]
  本稿では、軍事訓練におけるウェアラブルデータからの活動の事前処理、分析、認識のためのエンドツーエンドフレームワークを提案する。 textitGarmin-55スマートウォッチを6ヶ月以上、1500万分以上使用した兵士135人のデータを使っています。 我々のフレームワークは、生理学的にインフォームドされた方法で欠落したデータに対処し、未知の睡眠状態を40.38%から3.66%に減らした。
  論文  参考訳（メタデータ） (2024-10-07T19:35:15Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Active Learning with Contrastive Pre-training for Facial Expression Recognition [19.442685015494316]
  本研究では,3つの公開FERデータセットを用いた最近のアクティブラーニング手法について検討する。 その結果,既存のアクティブラーニング手法はFERの文脈ではうまく動作しないことがわかった。 本稿では,まず,非ラベルデータセット全体に基づいて基礎となる表現を学習する,自己教師付き事前学習を提案する。
  論文  参考訳（メタデータ） (2023-07-06T03:08:03Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• SelfAct: Personalized Activity Recognition based on Self-Supervised and Active Learning [0.688204255655161]
  SelfActは、ウェアラブルおよびモバイルデバイス上でのヒューマンアクティビティ認識(HAR)のための新しいフレームワークである。 自己教師とアクティブな学習を組み合わせることで、アクティビティ実行のイントラやインターバリアビリティといった問題を軽減します。 公開されている2つのHARデータセットに関する実験は、SelfActが完全に教師付きアプローチのそれに近い、あるいはそれ以上の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-19T09:39:11Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• 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)
• 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)
• 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)

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。