TransfHAR: Self-Supervised Wrist Representations for On-Demand Activity Recognition
TransfHAR एक स्व-पर्यवेक्षित (self-supervised) रिस्ट IMU फ्रेमवर्क है जो अनलेबल (unlabeled) गतिविधियों पर प्रीट्रेनिंग का लाभ उठाकर न्यूनतम लेबल वाले डेटा के साथ सटीक, ऑन-डिमांड सूक्ष्म-स्तरीय गतिविधि पहचान को सक्षम बनाता है, जो ऑफलाइन मूल्यांकन और वास्तविक दुनिया के स्मार्टवॉच अनुप्रयोगों दोनों में पूर्णतः पर्यवेक्षित (fully supervised) बेसलाइन से बेहतर प्रदर्शन करता 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
हर दिन, हमारी कलाईएं गति की एक कहानी बताती हैं। वे हमें सुबह की दौड़ की लय, काम पर जाने के लिए चलने की स्थिर गति और डेस्क पर बैठने की शांत स्थिरता के माध्यम से ले जाती हैं। वर्षों से, वैज्ञानिकों ने कंप्यूटर को कलाई पर पहने गए सेंसरों का उपयोग करके इन व्यापक, व्यापक गतियों को पहचानना सिखाया है। ये उपकरण एक जॉग और आराम करने के बीच, या चलने और गाड़ी चलाने के बीच अंतर बता सकते हैं। लेकिन मानव गति की दुनिया इन व्यापक श्रेणियों से कहीं अधिक जटिल है। यह उन छोटी, विशिष्ट मुद्राओं से भरी हुई है जो हमारे व्यक्तिगत जीवन को परिभाषित करती हैं: जैसे कि एक बरिस्ता द्वारा कॉफी मिलाना, उंगलियां चटकाने की सटीक गति, या लोशन लगाने के नाजुक कदम। ये सूक्ष्म क्रियाएं ही हैं जो हमारी दिनचर्या को अद्वितीय बनाती हैं, फिर भी वे मानक स्मार्टवॉच सॉफ्टवेयर के लिए अदृश्य रही हैं। चुनौती हमेशा यह रही है कि कंप्यूटर को एक नई, विशिष्ट क्रिया को पहचानने के लिए सिखाने हेतु हर व्यक्ति और हर कार्य के लिए घंटों के लेबल वाले डेटा को एकत्र करने की आवश्यकता होती है, जो एक धीमी, महंगी और मानवीय आदतों की अनंत विविधता तक विस्तार करने में असंभव प्रक्रिया है।
शोधकर्ताओं की एक टीम ने अब इस बाधा को दूर करने का एक तरीका खोज लिया है। उन्होंने 'ट्रांसहार' (TransfAR) नामक एक प्रणाली विकसित की है, जो एक स्मार्टवॉच को केवल कुछ सेकंड के प्रदर्शन से नई, व्यक्तिगत गतिविधियों को सीखने की अनुमति देती है। हर संभव गति को शुरू से सिखाने के बजाय, शोधकर्ताओं ने पहले इसे कलाई की गति की सार्वभौमिक भाषा सिखाई। उन्होंने सार्वजनिक डेटासेट से बड़ी मात्रा में बिना लेबल वाला डेटा एकत्र किया, जिसमें लोगों के चलने, दौड़ने, बैठने और व्यायाम करने के हजारों घंटों को कैद किया गया था। एक 'सेल्फ-सुपरवाइज्ड लर्निंग' (स्व-पर्यवेक्षित शिक्षण) पद्धति का उपयोग करते हुए, सिस्टम ने इन कच्ची गतियों का अध्ययन किया, बिना यह जाने कि वे क्या थीं। इसने कलाई के हिलने-डुलने के अंतर्निहित भौतिक विज्ञान को समझा—कि यह कैसे घूमती है, इसमें त्वरण (acceleration) कैसे होता है, और समय के साथ गति के विभिन्न भाग एक-दूसरे से कैसे जुड़ते हैं। इस प्रक्रिया ने गति की संरचना की एक गहरी, आंतरिक समझ बनाई, जो कलाई भौतिक दुनिया में कैसे व्यवहार करती है, उसका एक प्रकार का मानसिक मानचित्र है।
एक बार जब यह आधार बन गया, तो शोधकर्ताओं ने सिस्टम के मुख्य ज्ञान को स्थिर कर दिया और एक सरल प्रश्न पूछा: क्या गति की यह व्यापक समझ इसे उन विशिष्ट, सूक्ष्म कार्यों को पहचानने में मदद कर सकती है जिन्हें इसने पहले कभी नहीं देखा है? इसका परीक्षण करने के लिए, उन्होंने सिस्टम को बर्तन में कुछ मिलाने, पेन से लिखने, या लाटे (latte) बनाने के चरणों की एक श्रृंखला करने जैसी जटिल क्रियाओं को पहचानने के लिए प्रशिक्षित करने का प्रयास किया। ये कार्य प्रारंभिक प्रशिक्षण डेटा में पूरी तरह से अनुपस्थित थे। परिणाम आश्चर्यजनक थे। जब सिस्टम को इन नई क्रियाओं के कुछ उदाहरण दिए गए, तो यह उच्च सटीकता के साथ उन्हें पहचानना सीख सका। दस प्रतिभागियों वाले एक अध्ययन में, जिनमें से प्रत्येक ने सात अद्वितीय गतिविधियाँ परिभाषित की थीं, सिस्टम ने प्रति गतिविधि केवल एक मिनट की रिकॉर्डिंग पर प्रशिक्षित होने के बाद लगभग नब्बे प्रतिशत की सटीकता प्राप्त की। केवल कुछ सेकंड के डेटा के साथ भी, इसने पारंपरिक तरीकों से काफी बेहतर प्रदर्शन किया, जिन्हें शुरू से पूरे मॉडल को फिर से प्रशिक्षित करने की आवश्यकता होती।
इस दृष्टिकोण की शक्ति इसकी सामान्यीकरण (generalize) करने की क्षमता में निहित है। सिस्टम ने उन लोगों की विशिष्ट गतिविधियों को याद नहीं किया जिन पर इसे प्रशिक्षित किया गया था; इसके बजाय, इसने कलाई की गति के मौलिक यांत्रिकी को सीखा। क्योंकि एक कप में कुछ मिलाते समय कलाई की गति कैसे होती है, वह उंगलियां चटकाने जैसी क्रियाओं से संबंधित है, इसलिए सिस्टम अपने ज्ञान को दैनिक जीवन की व्यापक, मोटी गतियों से व्यक्तिगत दिनचर्या की सूक्ष्म, विशिष्ट मुद्राओं में स्थानांतरित कर सका। इसका अर्थ है कि अब एक उपयोगकर्ता अपनी स्वयं की गतिविधि, जैसे कि व्यायाम का एक विशिष्ट चरण या एक अद्वितीय हाथ का इशारा, परिभाषित कर सकता है और घड़ी इसे लगभग तुरंत सीख सकती है। यह प्रणाली कच्चे सेंसर डेटा को लेकर, अपने पूर्व-प्रशिक्षित मस्तिष्क का उपयोग करके इसे एक संक्षिप्त प्रतिनिधित्व में बदलती है, और फिर उस प्रतिनिधित्व को नए लेबल से जोड़ने के लिए एक बहुत ही सरल, हल्के स्तर का उपयोग करती है। यह पूरी प्रक्रिया को सीधे घड़ी पर होने की अनुमति देता है, बिना डेटा को क्लाउड सर्वर पर भेजने या जटिल अपडेट की प्रतीक्षा किए।
हालाँकि, शोधकर्ताओं ने इस तकनीक की सीमाओं की भी पहचान की है। यह सिस्टम उन क्रियाओं को पहचानने में उत्कृष्ट है जिनमें स्पष्ट, झटकेदार (burst-like) हरकतें या स्पष्ट घूर्णन पैटर्न होते हैं, जैसे बोतल हिलाना या पेंच घुमाना। यह उन क्रियाओं के साथ अधिक संघर्ष करता है जो निरंतर और कम आयाम (low-amplitude) वाली होती हैं, जैसे फोन स्क्रॉल करना या पेन से लिखना, क्योंकि ये गतियां उस छोटे समय अंतराल में बहुत समान दिखती हैं जिसका सिस्टम विश्लेषण करता है। जब दो अलग-अलग गतिविधियाँ लगभग समान कलाई की गति उत्पन्न करती हैं, तो सिस्टम उन्हें भ्रमित कर सकता है, जो यह सुझाव देता है कि गति के एकल स्नैपशॉट द्वारा प्रकट करने की अभी भी सीमाएं हैं। इन सीमाओं के बावजूद, निष्कर्ष पहनने योग्य तकनीक (wearable technology) के लिए एक नया मार्ग सुझाते हैं। दुनिया की विशाल, बिना लेबल वाली गतिविधियों से सीखकर, स्मार्टवॉwatches पूर्व-निर्धारित गतिविधियों की एक निश्चित सूची से आगे बढ़ सकती हैं और वास्तव में अनुकूलनीय उपकरण बन सकती हैं जो मानव गति की अद्वितीय, विकसित होती भाषा को समझती हैं। इस बदलाव का अर्थ है कि भविष्य में, हमारे उपकरण न केवल यह ट्रैक नहीं करेंगे कि हम क्या करते हैं, बल्कि वे यह भी सीखेंगे कि हम उन्हें करने के विशिष्ट तरीकों को कैसे समझते हैं।
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।