構造化条件下で開発されたウェアラブル行動認識モデルは、自由生活環境で未知の利用者に展開すると性能が低下する可能性がある。本研究は、学習済みの集団表現を固定したまま、時系列で得られる情報に応じて展開時の応答を分離するスマートウォッチベースのニューラル枠組みSmartADAPT-Netを提案する。CNN--BiLSTMの集団モデルを、最初の展開記録から利用可能な観測条件付きの集団補正であるComplexity-Aware Modulation（CAM）と、参加者が確認した証拠をクラス別プロトタイプメモリを通じて段階的に取り込むConfirmation-Driven Personalisation（CDP）と組み合わせる。枠組みはシミュレートされた生活環境における30人の参加者のスマートウォッチ慣性データで開発し、6種類の生活動作（activities of daily living）に対する2523件の記録を含む、17人の未知参加者による20日間の参加者主導の自由生活展開で評価した。凍結したBaseモデルは記録レベルの正確度0.621を達成し、CAM経路の完了後のGlobal段階で0.784、さらにFinal統合段階で0.890まで向上した。最終的なmacro-F1およびバランス精度はいずれも0.892であった。観測されたBaseからFinalまでの精度差の約61%は、参加者固有のプロトタイプ証拠が不要なGlobal段階の時点ですでに存在していた。これらのPhase~2推定は、独立な観察者によって検証された真値ではなく、参加者が確認した、あるいは修正された展開参照ラベルに基づいて算出された。したがってSmartADAPT-Netは、ニューラル表現の展開時再学習を行わずに、即時に利用可能な集団レベルの補正を、段階的に蓄積される個人の証拠によって補完する軽量な段階的適応アーキテクチャを提供する。
https://doi.org/10.21203/rs.3.rs-10870927/v1