ActiNet: An Open-Source Tool for Activity Intensity Classification of Wrist-Worn Accelerometry Using Self-Supervised Deep Learning
Die Arbeit stellt ActiNet vor, ein Open-Source-Tool, das ein selbstüberwachtes Deep-Learning-Modell (HARNet) in Kombination mit einer Glättung mittels Hidden-Markov-Modellen nutzt und im Vergleich zu herkömmlichen Random-Forest-Methoden eine überlegene Genauigkeit bei der Klassifizierung der Intensität von Aktivität mittels am Handgelenk getragener Beschleunigungssensoren über diverse Alters- und Geschlechtsgruppen hinweg demonstriert, wodurch es eine robuste Lösung für groß angelegte epidemiologische Studien bietet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie haben eine Smartwatch, die jede Ihrer Bewegungen aufzeichnet: das Wackeln und Zittern, während Sie gehen, sitzen, schlafen oder trainieren. Diese Daten sind zunächst nur ein chaotischer Strom von Zahlen. Um zu verstehen, was Sie den ganzen Tag tatsächlich getan haben, benötigen Sie einen Übersetzer, der diese Zahlen in einfache Beschriftungen wie „Schlafen", „Sitzen", „Gehen" oder „Laufen" umwandelt.
Diese Arbeit stellt einen neuen, quelloffenen Übersetzer namens ActiNet vor. Er behauptet, ein viel intelligenterer Übersetzer zu sein als die derzeit verwendeten.
Hier ist die Erklärung der Arbeit, unter Verwendung einfacher Analogien:
Das Problem: Der alte Übersetzer versus der neue
Seit Jahren verwenden Forscher ein Werkzeug (basierend auf einem „Random Forest"-Modell), um Daten von Armbanduhren zu übersetzen. Stellen Sie sich dieses alte Werkzeug wie ein Regelbuch vor. Es betrachtet das Wackeln Ihres Arms und sagt: „Wenn das Wackeln so stark ist, müssen Sie sitzen. Wenn es stärker ist, müssen Sie gehen." Es ist brauchbar, verlässt sich jedoch auf vorab geschriebene Regeln.
Die Autoren haben ActiNet entwickelt, um anders zu sein. Anstatt einem Regelbuch zu folgen, ist ActiNet wie ein Schüler, der Millionen von Videostunden gesehen hat, bevor er jemals Ihre spezifischen Uhrendaten zu Gesicht bekam.
- Selbstüberwachtes Lernen: Bevor ActiNet an echten Menschen getestet wurde, wurde es auf einer riesigen Bibliothek ungelabelter Bewegungsdaten (aus der UK Biobank) trainiert. Es lernte selbst, Muster zu erkennen, etwa indem es lernte, den Unterschied zwischen einem nach vorne laufenden Video und einem rückwärts abgespielten Video zu unterscheiden. Dies verlieh ihm ein tiefes, intuitives „Gefühl" für Bewegung, anstatt nur starren Regeln zu folgen.
- Der „Redakteur" (HMM): Sobald ActiNet eine Vermutung darüber anstellt, was Sie alle 30 Sekunden tun, gibt es diese Vermutung an einen „Redakteur" namens Hidden Markov Model (HMM) weiter. Wenn ActiNet plötzlich sagt: „Sie haben 5 Sekunden geschlafen, dann gelaufen und dann wieder geschlafen", weiß der Redakteur, dass dies unwahrscheinlich ist. Er glättet die Geschichte und stellt sicher, dass Sie nicht alle paar Sekunden zwischen „Schlafen" und „Laufen" hin- und herspringen, es sei denn, es ergibt tatsächlich Sinn.
Der große Test: Wer lag richtig?
Die Forscher testeten sowohl das alte Regelbuch (Random Forest) als auch den neuen Schüler (ActiNet) mit Daten von 151 echten Menschen, die einen ganzen Tag lang Uhren trugen. Die „Wahrheit" war bekannt, da diese Personen auch Kameras trugen und Schlafstagebücher führten, sodass die Forscher genau wussten, was sie taten.
Die Ergebnisse:
- ActiNet gewann. Es identifizierte das Verhalten der Menschen etwa 82 % der Zeit korrekt (eine Punktzahl namens „Macro F1"), verglichen mit 76 % des alten Werkzeugs.
- Es war konsistent. ActiNet funktionierte nicht nur im Durchschnitt besser; es funktionierte für alle besser, unabhängig davon, ob sie jung, alt, männlich oder weiblich waren.
- Die Lücke bei „leichten" Aktivitäten: Das alte Werkzeug hatte Schwierigkeiten, den Unterschied zwischen „ruhigem Sitzen" und „Stehen/langsamem Gehen" (leichte Aktivität) zu erkennen. ActiNet war viel besser darin, diese subtilen Bewegungen zu erkennen und identifizierte sie zu etwa 85 % korrekt, verglichen mit 73 % des alten Werkzeugs.
Verändert es die Geschichte Ihres Tages?
Die Forscher stellten auch die Frage: „Wenn wir dieses neue Werkzeug verwenden, ändert sich dann die Gesamtstundenzahl, von der wir glauben, dass Menschen damit schlafen oder trainieren?"
- Ja, aber zum Besseren. Das neue Werkzeug sagte Schlaf- und Sitzzeiten genauer voraus als das alte Werkzeug.
- Weniger „Rauschen": Das alte Werkzeug wurde manchmal verwirrt und sagte, Sie säßen, obwohl Sie tatsächlich standen, oder umgekehrt. ActiNet machte weniger dieser Fehler, was bedeutet, dass die gesamte tägliche „Geschichte" der Aktivität einer Person genauer ist.
Der Haken (Einschränkungen)
Die Arbeit ist ehrlich bezüglich der Nachteile:
- Die „Black Box": Da ActiNet selbst lernt, ist es schwieriger zu erklären, warum es eine bestimmte Entscheidung getroffen hat, im Vergleich zum alten Regelbuch. Es ist wie ein Koch, der ein großartiges Gericht zubereitet, aber das Rezept nicht ganz erklären kann.
- Schwere Arbeit: Das Training dieses Modells erfordert leistungsstarke Computer (GPUs) und mehr Energie als das einfache Regelbuch, obwohl die Autoren anmerken, dass die spätere Nutzung des Modells effizient ist, da es vorab trainiert wurde.
- Die Datenquelle: Das Modell wurde mit Menschen aus Oxford, UK, trainiert. Obwohl es gut funktionierte, geben die Autoren zu, dass wir noch nicht sicher wissen, ob es auch für Menschen in sehr unterschiedlichen Kulturen oder Umgebungen perfekt funktioniert.
Das Fazit
Die Arbeit kommt zu dem Schluss, dass ActiNet ein besserer Übersetzer für Daten von Armbanduhren ist als das, was wir derzeit haben. Es ist genauer, insbesondere beim Erkennen der schwierigen „Zwischen"-Aktivitäten wie leichtes Gehen. Da es quelloffen ist (kostenlos für jeden nutzbar), glauben die Autoren, dass Wissenschaftler beginnen sollten, es zu verwenden, um ein klareres Bild davon zu erhalten, wie körperliche Aktivität unsere Gesundheit beeinflusst.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.