Inertia-1：可穿戴運動基礎模型的開源探索
Inertia-1是一個完全開源的可穿戴運動基礎模型探索專案，利用超過1820萬小時的加速度計資料，系統研究了資料、模型和訓練選擇對下游任務的影響。在15個資料集上的評估展示了其泛化能力，為可穿戴運動表示學習提供了實用指南。
來源arXiv Machine Learning作者: Zongzhe Xu, Aakarsh Anand, Sarah Jiang, Chuntung Zhuang, Zitao Shuai, Sriram Sankararaman, Yuzhe Yang
近日，一項名為Inertia-1的研究在arXiv上釋出，旨在探索可穿戴運動基礎模型。該研究由Zongzhe Xu等七位作者共同完成，於2026年7月7日提交。Inertia-1是一個完全開源的專案，利用全球範圍內超過1820萬小時的加速度計資料，構建了一個可控框架，系統性地研究了可穿戴運動基礎模型的完整生命週期。
研究涵蓋了資料選擇（如感測器模態、裝置放置位置、取樣率和視窗長度）、模型選擇（如架構和模型大小）以及訓練選擇（如預訓練目標和資料規模）等多個方面。透過廣泛評估15個資料集，涉及人類活動識別、步態凍結檢測和疾病預測等任務，研究人員揭示了構建能夠泛化於不同任務和感測條件的運動基礎模型的關鍵發現。與以往只關注孤立設計選擇的研究不同，Inertia-1提供了一個統一的視角，有助於理解資料、模型和訓練之間的相互作用。
Inertia-1不僅為多種下游任務提供了最先進的方案，還作為一份全面、實用且開源的手冊，為可穿戴運動表示學習領域提供了寶貴資源。該專案的開放性質有望推動該領域的進一步研究和發展，促進可穿戴技術在健康監測和疾病早期診斷中的應用。