Self-supervised Learning for Human Activity Recognition Using 700,000 Person-days of Wearable Data

要約

人間の活動認識のための深層学習の進歩は、大規模なラベル付きデータセットが不足しているため、比較的限られています。
この研究では、700,000 人日を超えるラベルなしのウェアラブル センサー データを含む、英国バイオバンクの活動追跡データセット (この種のものとしてはこれまでで最大) に対して自己教師あり学習手法を活用しています。
結果として得られたアクティビティ認識モデルは、7 つのベンチマーク データセットにわたって一貫して強力なベースラインを上回り、F1 相対改善率は 2.5% ～ 100% (中央値 18.4%) であり、小規模なデータセットで最も大きな改善が見られました。
以前の研究とは対照的に、私たちの結果は外部のデータセット、デバイス、環境全体にわたって一般化されています。
私たちのオープンソース モデルは、研究者や開発者がカスタマイズ可能で一般化可能な高性能のアクティビティ分類器を構築するのに役立ちます。

要約(オリジナル)

Advances in deep learning for human activity recognition have been relatively limited due to the lack of large labelled datasets. In this study, we leverage self-supervised learning techniques on the UK-Biobank activity tracker dataset–the largest of its kind to date–containing more than 700,000 person-days of unlabelled wearable sensor data. Our resulting activity recognition model consistently outperformed strong baselines across seven benchmark datasets, with an F1 relative improvement of 2.5%-100% (median 18.4%), the largest improvements occurring in the smaller datasets. In contrast to previous studies, our results generalise across external datasets, devices, and environments. Our open-source model will help researchers and developers to build customisable and generalisable activity classifiers with high performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google