対照学習を用いた選択的フィードバックによるデータの不均衡を解消する個別化転倒検知

要約: 個人化された転倒検知モデルは、個々の動作パターンに適応することで精度を大幅に向上させる可能性がありますが、現実世界の転倒データの不足と非転倒フィードバックサンプルの支配的な影響により、その効果はしばしば制限されます。この不均衡はモデルを日常的な活動に偏らせ、真の転倒イベントに対する感度を低下させます。この課題に対処するため、半教師付きクラスタリングとコントラスト学習を組み合わせて、最も情報価値の高いユーザーフィードバックサンプルを特定・バランスさせる個別化フレームワークを提案します。このフレームワークは、ゼロからの学習（TFS）、転移学習（TL）、およびFew-Shot Learning（FSL）を含む3つの再訓練戦略の下で評価され、学習パラダイムを跨いだ適応性を評価します。十名の参加者を対象としたリアルタイム実験では、TFSアプローチが最高の性能を示し、ベースラインに対して最大で25%の改善を達成しました。一方、FSLは2番目に高い性能を示し、7%の改善を示し、現実世界での展開における選択的な個別化の有効性を示しています。