Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Небольшой набор записей с дополнительного датчика или из лаборатории научились переносить на распознавание повседневной активности только по устройству на запястье, не переобучая основную модель. Хотя работа UC San Diego и University of Michigan не рецензирована и числа получили сами авторы, лучший вариант поднял макро-F1 — среднюю F1 по классам, где F1 учитывает точность и полноту, — с 35,1 до 56,0%. Проект может собирать дорогие эталонные записи у калибровочной группы, а остальным участникам выдавать только наручное устройство.
Мост перемещает признаки, а классификатор остаётся прежним
WearableBridge разделяет систему на три части. Кодировщик превращает сигнал акселерометра в набор признаков, классификатор связывает области этого пространства с активностями, а обучаемый мост перемещает признаки с запястья в подходящие области.
Кодировщик и классификатор сначала обучают на более информативном источнике, после чего фиксируют. При обучении моста ошибка проходит через классификатор, но меняет только сам мост. Если признаки с запястья попали в область другой активности, модель получает штраф и учится сдвигать их в нужную сторону.
Работа рассматривает две схемы калибровки. В Thigh2Wrist наручный и бедренный датчики одновременно записывают одно движение. В Lab2Freeliving полевые записи с запястья сопоставляют с лабораторными записями по участнику, активности, стороне руки и положению устройства; точная временная пара здесь не нужна.
На этапе применения системе достаточно десятисекундного окна с запястья и сведений о стороне руки. Бедренный датчик, лабораторная запись и метка активности больше не требуются.
Три варианта моста различаются ориентиром. Mapper приближает признак с запястья к эталонному признаку. Distillation повторяет вероятности классов, которые выдаёт эталонный классификатор. MeanFlow учит направление движения между двумя признаками и применяет весь сдвиг за один проход. Во всех вариантах штраф за неверный класс не позволяет перенести запись в область другой активности.
Бедренный датчик лучше переносит позы, лаборатория — виды движения
Основную проверку провели на PAAWS: тестовая группа включала 40 участников с полевыми записями, которых не использовали при подборе моста. Система различала езду на велосипеде, сидение, стояние и ходьбу.
В схеме Thigh2Wrist MeanFlow поднял макро-F1 с 35,1 до 56,0%. В Lab2Freeliving показатель вырос с 54,0 до 63,5%. Все варианты моста улучшали исходную модель в каждом запуске, но MeanFlow дал лучший средний результат в обеих схемах.
Источник эталонных данных определял, какие ошибки исправлялись лучше. Бедренный датчик помогал разделять сидение и стояние, потому что напрямую фиксировал положение ног. Лабораторные записи с запястья лучше отделяли езду на велосипеде от ходьбы.
Результат повторился на selfBACK со структурированными занятиями. Мост, обученный только на PAAWS, также улучшил распознавание на полевых данных CAPTURE-24 без меток и дополнительной настройки на новой группе. Проверка охватывает несколько кодировщиков, но вывод относится именно к распознаванию активности по акселерометрам и заданным наборам классов.
Планы меняет схема сбора данных, а не вся архитектура
Подход подходит проектам, у которых уже есть качественная модель для дорогого источника данных: дополнительного датчика или контролируемой лабораторной сессии. Вместо отдельной модели для массового наручного устройства можно сохранить прежние границы классов и обучить преобразование между пространствами признаков.
Это меняет план калибровки. Эталонные записи нужны не каждому пользователю, а только группе, где доступны наручный сигнал, соответствующая активность и более информативный источник. Для лабораторного сценария достаточно группового соответствия, поэтому записи можно собирать в разные сессии.
Сам мост содержит от 0,13 до 2,44 млн параметров. Он добавляет один проход небольшой сети перед классификатором, не требует второго датчика при эксплуатации и позволяет обновлять преобразование отдельно от основной модели.
Замороженный классификатор не ухудшил основной результат относительно отдельного классификатора, переобученного на запястье: в Thigh2Wrist MeanFlow опередил его на 1,4 процентного пункта. Поэтому работа даёт практический вариант для систем, где важно сохранить одну трактовку классов для участников с эталонным датчиком и без него.
Полностью менять текущую систему ради WearableBridge оснований пока нет. Рациональный следующий шаг — проверить мост рядом с прямым переобучением на собственной калибровочной группе: преимущество зависит от того, насколько эталонный источник лучше различает нужные активности и совпадают ли классы в лаборатории и при эксплуатации.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
