PulseAugur
中
实时 18:10:56
English(EN) Bio-Inspired Self-Supervised Learning for Wrist-worn Accelerometer Data

受生物启发的自监督学习增强人类活动识别

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的自监督学习方法，用于分析腕戴式加速度计数据，旨在改进人类活动识别（HAR）。该方法受运动的生物力学理论启发，将运动分割成基于子运动的“运动片段”。然后，使用这些片段的掩码重构来预训练Transformer编码器，重点关注运动的结构和时间组织，而不仅仅是波形形态。在NHANES语料库上进行预训练后，与现有的自监督学习基线相比，这些表示在六个HAR基准测试中表现出优越的性能。 AI

排序理由 该集群包含一篇学术论文，详细介绍了在传感器数据上进行自监督学习的新颖方法，包括代码和预训练权重。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

受生物启发的自监督学习增强人类活动识别

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Prithviraj Tarale, Kiet Chu, Abhishek Varghese, Kai-Chun Liu, Maxwell A. Xu, Mohit Iyyer, Sunghoon I. Lee ·

    受生物启发的自监督学习用于腕戴式加速度计数据

    arXiv:2603.10961v2 Announce Type: replace Abstract: Wearable accelerometers enable large-scale health monitoring, yet learning robust human-activity representations has been constrained by scarce labeled data. While self-supervised learning offers a remedy, existing methods treat…

相关实体

相关话题