手首装着型IMU信号に対する生体インスパイアド自己教師付き学習

要旨: ウェアラブル加速度計は大規模な健康とウェルネスのモニタリングを可能にしてきたが、ラベル付きデータの不足によって堅牢な人間の動作表現を学習することが制約されてきた。自己教師付き学習は潜在的な解決策を提供するものの、既存のアプローチはセンサストリームを非構造化の時系列として扱い、人間の動作の基礎となる生物学的構造を見落としている。これは、効果的な人間活動認識(HAR)にとって重要な要因であると我々は主張する。我々は、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。サブムーブメントは、連続的な手首の動作がサブムーブメントと呼ばれる基本的な基底関数の重ね合わせから成るとする。我々はトークンを「movement segment（動作セグメント）」として定義する。これは、手首の加速度計信号から容易に抽出できる、有限の数のサブムーブメントの連続からなる動作の単位である。これらのセグメントをトークンとして扱うことにより、マスク付き動作セグメント再構成を介してTransformerエンコーダを事前学習し、動作セグメントの時系列依存性をモデル化することで、局所的な波形形状よりも高レベルの動作構造へと学習の焦点を移す。NHANESコーパス（約28,000時間、約11,000人の参加者、約1,000万ウィンドウ）で事前学習した我々の表現は、6つの被験者分離HARベンチマークで強力なウェアラブルSSLベースラインを上回る。さらに、データ不足の設定ではデータ効率性が高いことを示す。コードと事前学習済みの重みは公に公開される予定です。