MorphCL：面向基于惯性的人类活动识别的形态对比学习

arXiv:2610.10245v1 公告类型：新 摘要：尽管可穿戴设备和移动设备中的传感器无处不在，并且它们能够生成大量的人体运动数据，但如何将无标签记录转化为基础运动模型仍然是一个尚未解决的挑战。自监督学习（SSL）缓解了对高成本标注的需求，但现有方法在很大程度上未能利用大规模运动数据的全局结构，而是依赖随机采样的批次和局部比较；对于现实环境中的惯性数据而言，这一问题尤为突出，因为此类数据主要由静止、低方差行为构成。为此，我们提出形态对比学习（MorphCL），一种自监督预训练框架，通过结构感知分组，将对全局结构的显式建模融入基于惯性的 SSL 方法。MorphCL 建立在运动分析的两个成熟支柱之上：运动基元（即运动模式）的发现，以及领域特定的特征描述符。我们表明，MorphCL 能够显著提升所学习编码器在线性探测和微调任务中的表现，使 F1-score 最高提升 15 个百分点。在与现有基础模型的比较中，我们证明，在仅使用少于其 $4600\times$ 的数据进行训练的情况下，经过 MorphCL 预训练的编码器在线性探测性能上可以达到或超过这些模型。对所得嵌入空间的定性分析进一步揭示了具有形态学意义的聚类结构，并改善了运动学相似活动类别之间的区分度。