摘要
可穿戴运动传感器为人类行为和健康提供了一个连续且可扩展的观察窗口，因而与基础模型自然契合。然而，其预训练和扩展原则仍不甚明了。以往研究往往集中于传感器放置或采样频率等孤立设计选择，通常在固定设置和狭窄的下游任务下进行，这无法捕捉现实世界的传感多样性。
我们引入了 Inertia-1，这是一个全面开放的可穿戴运动基础模型探索。
使用来自全球来源的超过 1820 万小时的加速度计数据，我们构建了一个受控框架，以研究可穿戴运动基础模型的完整生命周期，涵盖数据选择（如传感器模态、设备放置、采样率、窗口长度）、模型选择（如架构和模型大小）以及训练选择（如预训练目标和数据规模）。
在 15 个数据集上进行的广泛评估，包括人类活动识别、步态冻结检测和疾病预测，揭示了构建能够跨任务和传感条件进行泛化的运动基础模型的有趣发现。
总体而言，Inertia-1 不仅为多样化的下游任务提供了最先进的配方，还作为一个全面、实用和开放的可穿戴运动表示学习的食谱。
博主点评： Inertia-1 的开放探索为可穿戴设备的运动数据建模提供了重要的框架，强调了数据选择和模型架构对任务泛化能力的影响，值得关注和应用于更广泛的健康监测领域。