Inertia-1: открытые модели движения для носимых устройств

Исследователи опубликовали в июле 2026 года на arXiv препринт Inertia-1 — полностью открытую foundation-модель движения для носимых устройств, обученную на данных с более чем 18,2 миллиона часов акселерометрических записей из глобальных источников.

Зачем нужна такая модель

Носимые датчики движения дают непрерывное и масштабируемое окно в поведение и здоровье человека, что делает их естественным кандидатом для foundation-моделей. Авторы препринта отмечают, что принципы предобучения и масштабирования для такой сенсорики до сих пор изучены плохо. По их словам, предыдущие работы разбирали изолированные решения — например, расположение датчика или частоту дискретизации — обычно при фиксированных настройках и на узких прикладных задачах, которые не отражают реальное разнообразие условий сенсорики.

Что именно изучили авторы

Inertia-1 — это контролируемый фреймворк для изучения полного жизненного цикла foundation-моделей движения: от выбора данных до архитектуры и стратегии обучения. Работа охватывает три группы решений и опирается на масштабный корпус данных, собранный из глобальных источников.

• Обучающий корпус — более 18,2 млн часов акселерометрических данных из глобальных источников
• Параметры данных под изучение — сенсорная модальность, расположение устройства на теле, частота дискретизации, длина временного окна
• Параметры модели под изучение — архитектура и размер модели
• Параметры обучения под изучение — цель предобучения (pretraining objective) и масштаб обучающих данных
• Тестирование — 15 датасетов из разных прикладных областей

Такой охват, по замыслу авторов, позволяет отделить эффекты каждого отдельного решения от общего качества модели — то есть понять, какие именно данные, архитектуры и стратегии обучения реально определяют качество foundation-модели движения, а какие лишь кажутся важными в узких экспериментах. Ранее, по словам авторов, такие решения изучались изолированно и почти всегда при фиксированных настройках, что не позволяло сравнить их вклад в итоговое качество модели напрямую.

Какие задачи проверяли исследователи

Авторы оценили Inertia-1 на 15 датасетах, охватывающих три класса прикладных задач: распознавание активности человека (human activity recognition), детекцию застывания походки — симптома болезни Паркинсона (freezing-of-gait detection), и предсказание заболеваний по данным движения. По их словам, обширные эксперименты на этих 15 датасетах выявили неожиданные закономерности, важные для построения моделей движения, которые обобщаются на разные задачи и условия сенсорики, а не работают только в узком сценарии, для которого их изначально обучали.

«Inertia-1 не только предлагает передовые рецепты для разных

прикладных задач, но и служит всеобъемлющей, практической и открытой поваренной книгой для обучения представлений движения на основе носимых датчиков», — говорится в аннотации препринта на arXiv.

Что это значит

Открытая публикация полного цикла экспериментов — данных, архитектур и целей обучения — даёт разработчикам носимых устройств и медицинских приложений проверенный набор рецептов для построения собственных моделей движения вместо разрозненных и плохо воспроизводимых решений, которые были типичны для этой области раньше. Особенно это важно для задач, связанных со здоровьем, — таких как выявление симптомов болезни Паркинсона по акселерометрическим данным, где качество модели напрямую влияет на точность диагностики.