https://arxiv.org/abs/2410.13638

 

다양한 건강 추적 기능 덕분에 웨어러블 센서는 보편화되었습니다. 일상 생활에서 얻은 연속적이고 종단적인 측정 결과는 방대한 양의 데이터를 생성하지만, 이러한 관찰 결과를 과학적이고 실행 가능한 통찰력으로 이해하는 것은 사소한 일이 아닙니다. 방대한 양의 텍스트, 이미지, 비디오 또는 오디오 데이터에서 강력한 표현을 학습하는 대규모 신경망의 생성 모델링의 경험적 성공에서 영감을 받아, 우리는 컴퓨팅, 데이터 및 모델 크기에 걸쳐 센서 기반 모델의 확장 속성을 조사합니다. 165,000명 이상의 사람들로부터 최대 4,000만 시간의 현장 심박수, 심박수 변동성, 전기 피부 활동, 가속도계, 피부 온도 및 분당 고도계 데이터 세트를 사용하여, 지금까지 가장 광범위한 센서 모달리티를 갖춘 가장 큰 웨어러블 신호 데이터 세트를 기반으로 구축된 다중 모달 기반 모델인 LSM을 만듭니다. 우리의 결과는 시간과 센서 모달리티에 걸쳐 임퓨테이션, 보간 및 외삽과 같은 작업에 대한 LSM의 확장 법칙을 확립합니다. 게다가 LSM이 운동 및 활동 인식과 같은 작업에 대해 샘플 효율적인 다운스트림 학습을 어떻게 가능하게 하는지 강조합니다.