应用自监督学习实现压力移动感知的个性化
摘要：基于可穿戴设备记录的生物信号数据进行压力预测在移动感知研究中被广泛认为是导致各种健康问题的主要因素。基于机器学习的压力预测面临着一些挑战，包括标签的主观性和稀疏性、大规模特征空间、相对较少的标签数量以及特征和结果之间复杂非线性和主观的关系。为了解决这些问题，我们研究了模型个性化方法：为每个用户训练一个单独的压力预测模型。我们利用自监督学习（SSL）预先训练了一个一维卷积神经网络（CNN），以允许神经网络学习每个个体基线生物信号模式的时间动态，从而实现个性化模型，且使用非常少的标签。我们使用Wearable Stress and Affect prediction（WESAD）数据集评估了我们的方法。我们对预训练网络进行微调，进行压力预测任务，并与没有自监督预训练的等效模型进行比较。我们发现，使用我们的预训练方法学习到的嵌入表示在具有显著更少标记数据点的情况下优于受监督基线方法：使用SSL训练的模型只需要不到30%的标签就可以达到等效性能，而无需个性化的SSL方法。这种个性化学习方法可以实现精准健康系统，为每个用户量身定制，并且只需要用户的少量注释，从而实现对越来越复杂、异质和主观压力等结果的移动感知。
作者：Tanvir Islam, Peter Washington
论文ID：2308.02731
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-14