ActiNet: An Open-Source Tool for Activity Intensity Classification of Wrist-Worn Accelerometry Using Self-Supervised Deep Learning
यह शोध पत्र ActiNet का परिचय देता है, जो एक स्व-पर्यवेक्षित गहन शिक्षण मॉडल (HARNet) को हिडन मार्कोव मॉडल स्मूथिंग के साथ संयोजित करने वाला एक ओपन-सोर्स टूल है, जो पारंपरिक रैंडम फ़ॉरेस्ट विधियों की तुलना में विविध आयु और लिंग समूहों में कलाई पर पहने जाने वाले एक्सेलेरोमीटर गतिविधि की तीव्रता को वर्गीकृत करने में बेहतर सटीकता प्रदर्शित करता है, जिससे बड़े पैमाने पर महामारी विज्ञान संबंधी अध्ययनों के लिए एक सुदृढ़ समाधान प्राप्त होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक स्मार्टवॉच है जो आपकी हर हरकत को रिकॉर्ड करती है, जब आप चलते, बैठते, सोते या व्यायाम करते हैं, तो यह आपके हिलने-डुलने और झटकों को दर्ज करती है। यह डेटा केवल संख्याओं की एक अव्यवस्थित धारा है। यह समझने के लिए कि आपने पूरे दिन वास्तव में क्या किया, आपको एक अनुवादक की आवश्यकता है जो उन संख्याओं को "सोना," "बैठना," "चलना," या "दौड़ना" जैसे सरल लेबल में बदल सके।
यह शोध पत्र एक नया, ओपन-सोर्स अनुवादक पेश करता है जिसे ActiNet कहा जाता है। इसका दावा है कि यह वर्तमान में उपयोग किए जा रहे अनुवादकों की तुलना में बहुत अधिक स्मार्ट है।
यहाँ यह शोध पत्र इसे सरल उपमाओं का उपयोग करके समझा रहा है:
समस्या: पुराना अनुवादक बनाम नया वाला
वर्षों से, शोधकर्ता कलाई की घड़ी के डेटा को अनुवाद करने के लिए एक उपकरण (जो "रैंडम फॉरेस्ट" मॉडल पर आधारित है) का उपयोग कर रहे हैं। इस पुराने उपकरण को एक नियम पुस्तिका (rulebook) की तरह समझें। यह आपकी कलाई के हिलने-डुलने को देखता है और कहता है, "यदि झटका इतना तेज़ है, तो आप बैठे हुए हैं। यदि यह और तेज़ है, तो आप चल रहे हैं।" यह ठीक-ठाक है, लेकिन यह पूर्व-लिखित नियमों पर निर्भर करता है।
लेखकों ने ActiNet को इससे अलग बनाने के लिए बनाया है। एक नियम पुस्तिका का पालन करने के बजाय, ActiNet एक ऐसे छात्र की तरह है जिसने आपके विशिष्ट वॉच डेटा को देखने से पहले लाखों घंटों के वीडियो देखे हैं।
- सेल्फ-सुपरवाइज्ड लर्निंग (Self-Supervised Learning): वास्तविक लोगों पर परीक्षण किए जाने से पहले, ActiNet को बिना लेबल वाले मूवमेंट डेटा (UK बायोबैंक से) के एक विशाल पुस्तकालय पर प्रशिक्षित किया गया था। इसने खुद को पैटर्न पहचानने के लिए प्रशिक्षित किया, जैसे कि यह सीखना कि एक आगे बढ़ने वाले वीडियो और पीछे की ओर (reverse) चलाए गए वीडियो के बीच अंतर कैसे किया जाए। इसने इसे गति की एक गहरी, सहज "समझ" दी, न कि केवल कठोर नियमों का पालन करना।
- "संपादक" (The "Editor" - HMM): एक बार जब ActiNet हर 30 सेकंड में आपके द्वारा की जा रही गतिविधि के बारे में एक अनुमान लगा लेता है, तो वह अपने अनुमान को एक "संपादक" के पास भेजता है जिसे हिडन मार्कोव मॉडल (HMM) कहा जाता है। यदि ActiNet अचानक कहता है, "आप 5 सेकंड के लिए सो रहे थे, फिर दौड़ रहे थे, फिर फिर से सो रहे थे," तो संपादक जानता है कि यह असंभावित है। यह कहानी को सुव्यवस्थित करता है, यह सुनिश्चित करता है कि आप हर कुछ सेकंड में "सोने" और "दौड़ने" के बीच न कूदें, जब तक कि वह वास्तव में तर्कसंगत न हो।
बड़ा परीक्षण: कौन सही निकला?
शोधकर्ताओं ने पुराने नियमबुक (रैंडम फॉरेस्ट) और नए छात्र (ActiNet) दोनों का परीक्षण 151 वास्तविक लोगों के डेटा का उपयोग करके किया, जिन्होंने पूरे दिन के लिए घड़ियाँ पहनी थीं। "सच्चाई" ज्ञात थी क्योंकि इन लोगों ने कैमरे भी पहने थे और अपनी नींद की डायरी भी रखी थी, इसलिए शोधकर्ता ठीक से जानते थे कि वे क्या कर रहे थे।
परिणाम:
- ActiNet जीत गया। इसने लगभग 82% समय (एक स्कोर जिसे "मैक्रो F1" कहा जाता है) सही ढंग से पहचाना कि लोग क्या कर रहे थे, जबकि पुराने टूल का स्कोर 76% था।
- यह सुसंगत था। ActiNet केवल औसतन बेहतर नहीं था; यह हर किसी के लिए बेहतर काम करता था, चाहे वे युवा हों, वृद्ध हों, पुरुष हों या महिला।
- "हल्की" गतिविधि का अंतर (The "Light" Activity Gap): पुराना टूल "स्थिर बैठने" और "खड़े होने/धीरे चलने" (हल्की गतिविधि) के बीच अंतर करने में संघर्ष करता था। ActiNet इन सूक्ष्म गतिविधियों को पहचानने में बहुत बेहतर था, जिसने इन्हें लगभग 85% बार सही ढंग से पहचाना, जबकि पुराने टूल का स्कोर 73% था।
क्या यह आपके दिन की कहानी को बदल देता है?
शोधकर्ताओं ने यह भी पूछा: "यदि हम इस नए टूल का उपयोग करते हैं, तो क्या यह उन कुल घंटों को बदल देता है जो लोग सोने या व्यायाम करने में बिताते हैं?"
- हाँ, लेकिन बेहतरी के लिए। नया टूल सोने और बैठने के समय की भविष्यवाणी पुराने टूल की तुलना में वास्तविक सच्चाई के अधिक करीब करता है।
- कम "शोर" (Less "Noise"): पुराना टूल कभी-कभी भ्रमित हो जाता था और कहता था कि आप बैठे हैं जबकि आप वास्तव में खड़े थे, या इसके विपरीत। ActiNet ने ऐसी कम गलतियाँ कीं, जिसका अर्थ है कि व्यक्ति की गतिविधि की कुल दैनिक "कहानी" अधिक सटीक है।
कमी (सीमाएँ)
शोध पत्र इसकी कमियों के बारे में ईमानदार है:
- "ब्लैक बॉक्स" (The "Black Box"): क्योंकि ActiNet खुद सीखता है, इसलिए यह समझाना कठिन है कि उसने एक विशिष्ट निर्णय क्यों लिया, पुराने नियमबुक की तुलना में। यह एक ऐसे शेफ की तरह है जो एक शानदार भोजन तो बनाता है लेकिन रेसिपी के बारे में पूरी तरह से नहीं बता पाता।
- भारी काम (Heavy Lifting): इस मॉडल को प्रशिक्षित करने के लिए शक्तिशाली कंप्यूटरों (GPUs) और अधिक ऊर्जा की आवश्यकता होती है, हालांकि लेखकों ने उल्लेख किया है कि चूंकि मॉडल पहले से प्रशिक्षित (pre-trained) है, इसलिए बाद में इसका उपयोग करना कुशल है।
- डेटा स्रोत: मॉडल को ऑक्सफोर्ड, यूके के लोगों के आधार पर प्रशिक्षित किया गया था। हालांकि यह अच्छी तरह से काम कर रहा था, लेखक स्वीकार करते हैं कि हमें अभी यह निश्चित रूप से नहीं पता है कि यह बहुत अलग संस्कृतियों या वातावरणों के लोगों के लिए कितनी अच्छी तरह काम करेगा।
निचोड़ (The Bottom Line)
शोध पत्र निष्कर्ष निकालता है कि ActiNet, कलाई की घड़ी के डेटा के लिए एक बेहतर अनुवादक है जो वर्तमान में हमारे पास उपलब्ध है। यह अधिक सटीक है, विशेष रूप से "हल्के चलने" जैसी कठिन गतिविधियों को पहचानने में। क्योंकि यह ओपन-सोर्स है (कोई भी मुफ्त में उपयोग कर सकता है), लेखकों का मानना है कि वैज्ञानिकों को यह स्पष्ट चित्र प्राप्त करने के लिए इसका उपयोग करना शुरू कर देना चाहिए कि शारीरिक गतिविधि हमारे स्वास्थ्य को कैसे प्रभावित करती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।