İçeriğe geç
CANLI 03:21 OpenAI Performance Factory: Codex, ChatGPT’yi hızlı tutuyor 03:21 Çin çip kısıtlaması: Sevkiyat durdu, bulut kapısı kapandı 03:21 Nadella 60 bin çalışan için ayrılma teklifini açıkladı 03:21 Gemini Mac bilgisayar kullanımı özelliği tanıtıldı 03:20 Anthropic Nasdaq’ta ilk gün: Hisse 111,50 dolardan açıldı Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 20.11.2026
Bülten

arXiv 2611.26607 cs.LG

Bio-PM Kılavuzlu Sentetik IMU Üretimi

Özgün başlık Bio-PM-Guided Synthetic IMU Generation

  • Deepali Singh
  • Deepesh Parpani
  • Aviral Gupta
ai/muhabir · özet metinden derlendi

İnsan aktivitesinin tanınması (HAR) için eylemsiz ölçüm birimi (IMU) verilerinin toplanması ve etiketlenmesi pahalıdır ve bir grup konu üzerinde eğitilen modeller genellikle görünmeyen bireylere genelleme yapmakta başarısız olur. Dengeli verilerle bile sınıflandırıcılar dinamik olarak benzer aktivite sınıflarını ayırt etmekte zorlanır ve hedeflenen artıştan faydalanır. Önceden eğitilmiş bir biyosinyal kodlayıcı olan Bio-PM cite{b1}'in temsil alanında üretilen sentetik IMU verilerinin pratik bir güçlendirme kaynağı olarak hizmet edip edemeyeceğini araştırıyoruz.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

İnsan aktivitesinin tanınması (HAR) için eylemsiz ölçüm birimi (IMU) verilerinin toplanması ve etiketlenmesi pahalıdır ve bir grup konu üzerinde eğitilen modeller genellikle görünmeyen bireylere genelleme yapmakta başarısız olur. Dengeli verilerle bile sınıflandırıcılar dinamik olarak benzer aktivite sınıflarını ayırt etmekte zorlanır ve hedeflenen artıştan faydalanır. Önceden eğitilmiş bir biyosinyal kodlayıcı olan Bio-PM cite{b1}'in temsil alanında üretilen sentetik IMU verilerinin pratik bir güçlendirme kaynağı olarak hizmet edip edemeyeceğini araştırıyoruz. Ham sinyalleri sentezlemek yerine, 10 saniyelik IMU pencerelerini belirteç yerleştirme dizilerine dönüştürmek ve bu alanda sınıf-koşullu kod çözücüleri eğitmek için Bio-PM'nin donmuş kodlayıcısından yararlanıyoruz: (1) belirteçleri sırayla tahmin eden bir otoregresif transformatör kod çözücü ve (2) belirteç dağıtımını gürültü giderme hedefi aracılığıyla öğrenen bir difüzyon kod çözücü. Üretim gerçekçiliğini dağıtım ölçümleri ve yerleştirme alanı görselleştirmeleri yoluyla analiz ediyoruz, bir konuyu dışarıda bırakan HAR sınıflandırması yoluyla aşağı akış faydasını değerlendiriyoruz ve yaklaşık ham dalga biçimi yeniden yapılandırması için bir PatchDecoder sunuyoruz. Difüzyon kod çözücümüz, 0,68'lik Gerçek Üzerinde Sentetik Eğitim (TSTR) makro-F1 elde ederek, oluşturulan belirteçlerin, gerçek verilere aktarım yapan bir sınıflandırıcıyı eğitmeye yetecek kadar gerçekçi olduğunu gösterir. Sentetik jeton artırmanın 320 boyutlu yerçekimine duyarlı özellik gösterimi ile birleştirilmesi, LOSO makro-F1'i, WISDM kıyaslamasında 51 denek genelinde yalnızca gerçek bir taban çizgisi üzerinde 0,729'dan 0,809'a yükseltir ve en zorlu aktivite sınıflarında yoğunlaşan istatistiksel olarak anlamlı kazanımlar sağlar. Bu sonuçlar, önceden eğitilmiş bir kodlayıcının temsil alanındaki yüksek kaliteli üretimin, konular arası HAR artırma için ulaşılabilir ve pratik olarak yararlı olduğunu göstermektedir.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Collecting and labeling inertial measurement unit (IMU) data for human activity recognition (HAR) is expensive, and models trained on one group of subjects often fail to generalize to unseen individuals. Even with balanced data, classifiers struggle to distinguish dynamically similar activity classes and benefit from targeted augmentation. We explore whether synthetic IMU data generated in the representation space of a pretrained biosignal encoder, Bio-PM cite{b1}, can serve as a practical augmentation source. Rather than synthesizing raw signals, we leverage Bio-PM's frozen encoder to convert 10-second IMU windows into token embedding sequences and train class-conditional decoders in this space: (1) an autoregressive transformer decoder that predicts tokens sequentially, and (2) a diffusion decoder that learns the token distribution through a denoising objective. We analyze generation realism through distributional metrics and embedding-space visualizations, evaluate downstream utility through leave-one-subject-out HAR classification, and present a PatchDecoder for approximate raw waveform reconstruction. Our diffusion decoder achieves a Train-on-Synthetic-Test-on-Real (TSTR) macro-F1 of 0.68, demonstrating that generated tokens are realistic enough to train a classifier that transfers to real data. Combining synthetic-token augmentation with a 320-dimensional gravity-aware feature representation raises LOSO macro-F1 from 0.729 to 0.809 over a real-only baseline across 51 subjects on the WISDM benchmark, with statistically significant gains concentrated in the most challenging activity classes. These results demonstrate that high-fidelity generation in a pretrained encoder's representation space is achievable and practically useful for cross-subject HAR augmentation.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{singh2026biopmguided,
  title   = {Bio-PM-Guided Synthetic IMU Generation},
  author  = {Deepali Singh and Deepesh Parpani and Aviral Gupta},
  journal = {arXiv preprint arXiv:2611.26607},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.26607}
}
APA
Singh, D., Parpani, D., & Gupta, A. (2026). Bio-PM Kılavuzlu Sentetik IMU Üretimi. arXiv. https://arxiv.org/abs/2611.26607
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.