运动感知统一基础模型 Inertia-1：跨身体部位与传感器的一次探索

运动感知领域长期面临「碎片化」难题：不同数据集在采样率、窗口长度、传感器类型、身体佩戴位置乃至信号格式上各有一套标准，每项任务往往需要专门训练的模型，结论难以跨场景迁移。Inertia-1 提出「统一运动基础模型」的思路，尝试在同一受控空间内系统研究数据、传感、目标函数与规模对表征质量的影响，而不是为每个子任务单独造轮子。

研究目标：让一个表征适配多种佩戴位置与设备

Inertia-1 的核心假设是：在手腕上完成大规模预训练后，同一个骨干网络可以直接迁移到头部、胸部、背部、手臂、髋部、膝盖、脚踝等身体位置，甚至能处理陀螺仪、磁力计等训练时未见过的传感器类型，无需针对每个新位置重新训练。

当额外的数据流被叠加进来——更多佩戴位置、陀螺仪、磁力计——所学到的表征不仅更准确，活动聚类也更加紧凑，说明不同信号流之间具有互补性，每种信号都能捕捉到其他信号遗漏的信息。

关键设计经验

研究团队总结了几条对实际部署影响较大的工程经验：

• 预训练后的模型在低至 1 Hz 采样率下，对活动识别任务仍保持较强能力；更细粒度的健康信号则需要更高的采样率。
• 30–60 秒的窗口长度在多数任务中表现最佳，既能覆盖足够上下文，又保持信号清晰度。
• 完整三轴输入始终优于折叠后的向量幅度（ENMO）等简化形式，额外轴向保留了有价值的信号。
• 时域建模在步态与健康线索保留方面，优于频域重建。

方法流水线：从原始信号到下游应用

整个流程被拆成三个阶段：

1. 大规模预训练：在超过 1800 万小时的全球队列加速度计数据上进行自监督学习，无需人工标注。
2. 跨场景迁移：通过少量微调甚至不调参的方式，将同一表征适配到新的佩戴位置、设备与采样率。
3. 多任务部署：基于同一骨干网络，支撑活动识别、步态分析、长期健康监测等场景，覆盖从健身追踪到临床筛查的不同需求。

定位与展望

作者将 Inertia-1 定位为「统一运动基础模型」的初步尝试，也是面向同行的开放邀请：欢迎持有运动数据、新任务或对领域方向感兴趣的协作者参与后续工作。当前的结果覆盖了从活动识别到纵向健康监测的多类任务，但要在真实临床与消费场景中稳定落地，仍需要更大规模、更多样化的数据与更严格的外部验证。