Inertia-1：可穿戴运动基础模型的开源探索
Inertia-1是一个完全开源的可穿戴运动基础模型探索项目，利用超过1820万小时的加速度计数据，系统研究了数据、模型和训练选择对下游任务的影响。在15个数据集上的评估展示了其泛化能力，为可穿戴运动表示学习提供了实用指南。
来源arXiv Machine Learning作者: Zongzhe Xu, Aakarsh Anand, Sarah Jiang, Chuntung Zhuang, Zitao Shuai, Sriram Sankararaman, Yuzhe Yang
近日，一项名为Inertia-1的研究在arXiv上发布，旨在探索可穿戴运动基础模型。该研究由Zongzhe Xu等七位作者共同完成，于2026年7月7日提交。Inertia-1是一个完全开源的项目，利用全球范围内超过1820万小时的加速度计数据，构建了一个可控框架，系统性地研究了可穿戴运动基础模型的完整生命周期。
研究涵盖了数据选择（如传感器模态、设备放置位置、采样率和窗口长度）、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）等多个方面。通过广泛评估15个数据集，涉及人类活动识别、步态冻结检测和疾病预测等任务，研究人员揭示了构建能够泛化于不同任务和传感条件的运动基础模型的关键发现。与以往只关注孤立设计选择的研究不同，Inertia-1提供了一个统一的视角，有助于理解数据、模型和训练之间的相互作用。
Inertia-1不仅为多种下游任务提供了最先进的方案，还作为一份全面、实用且开源的手册，为可穿戴运动表示学习领域提供了宝贵资源。该项目的开放性质有望推动该领域的进一步研究和发展，促进可穿戴技术在健康监测和疾病早期诊断中的应用。