[論文レビュー] A Mobile Cloud Collaboration Fall Detection System Based on Ensemble Learning

Tong Wu, Yang Gu+3 more|arXiv (Cornell University)|Jul 5, 2019

Context-Aware Activity Recognition Systems参考文献 23被引用数 5

ひとこと要約

本論文では、軽量なモバイルフィルタリングとクラウドベースの特徴抽出およびモデル推論を組み合わせることで、検出精度を向上させるアンサンブル学習手法である転倒検出アンサンブル意思決定木（FEDT）を用いたモバイルクラウド協調転倒検出システムを提案する。本システムは、既存の手法と比較して1〜3%高い感度および特異度を達成しており、実世界での信頼性の高い性能を示している。

ABSTRACT

Falls are one of the important causes of accidental or unintentional injury death worldwide. Therefore, this paper presents a reliable fall detection algorithm and a mobile cloud collaboration system for fall detection. The algorithm is an ensemble learning method based on decision tree, named Falldetection Ensemble Decision Tree (FEDT). The mobile cloud collaboration system can be divided into three stages: 1) mobile stage: use a light-weighted threshold method to filter out the activities of daily livings (ADLs), 2) collaboration stage: transmit data to cloud and meanwhile extract features in the cloud, 3) cloud stage: deploy the model trained by FEDT to give the final detection result with the extracted features. Experiments show that the performance of the proposed FEDT outperforms the others' over 1-3% both on sensitivity and specificity, and more importantly, the system can provide reliable fall detection in practical scenario.

研究の動機と目的

• 高齢者ケアおよび医療モニタリングにおける信頼性の高いリアルタイム転倒検出の重要なニーズに対処すること。
• 日常的活動（ADLs）に起因する誤検出を、知能的なデータフィルタリングと分類によって低減すること。
• 最適化された特徴抽出とモデルデプロイメントを用いたアンサンブル学習により、検出性能を向上させること。
• 計算負荷と精度のバランスを取るモバイルクラウド協調アーキテクチャを活用し、実用的導入を可能にすること。

提案手法

• 本システムは、モバイルフィルタリング、クラウド特徴抽出、クラウドベースのモデル推論の3段階からなるモバイルクラウド協調パイプラインを採用する。
• モバイルデバイス上で軽量なしきい値ベースの手法を用いて、非転倒活動（ADLs）をフィルタリングし、不要なデータ送信を削減する。
• クラウドでは、加速度計およびジャイロスコープデータに特化した信号処理技術を用いて、フィルタリングされたデータから特徴を抽出する。
• 転倒検出アンサンブル意思決定木（FEDT）モデルは、抽出された特徴を用いてアンサンブル学習により学習され、耐障害性と精度の向上が図られる。
• FEDTは、重み付き投票を用いて複数の意思決定木を統合することで、過学習を低減し、多様な転倒パターンにおける汎化性能を向上させる。
• 最終的な検出判断は、訓練済みのFEDTモデルを用いてクラウドで実施され、リアルタイムシナリオにおける高い信頼性と低遅延を確保する。

実験結果

リサーチクエスチョン

• RQ1 モバイルクラウド協調アーキテクチャは、日常的活動に起因する誤検出を最小限に抑えながら、転倒検出精度を向上させることができるか？
• RQ2 意思決定木を用いたアンサンブル学習は、単一モデルアプローチと比較して、どのように転倒検出性能を向上させるか？
• RQ3 軽量なモバイルフィルタリングは、検出感度に悪影響を及げることなく、どれほどデータ送信量と計算負荷を削減できるか？
• RQ4 本手法の実世界での感度および特異度は、既存手法と比較してどの程度優れているか？
• RQ5 実用的導入において、多様な転倒パターンおよびユーザー行動の下でも、本システムは高い信頼性を維持できるか？

主な発見

• FEDTモデルは、既存手法と比較して感度および特異度の両面で1〜3%優れており、優れた検出精度を示している。
• モバイルクラウド協調アーキテクチャは、デバイスレベルでの非転倒ADLのフィルタリングにより、データ送信量を効果的に削減している。
• 本システムは実世界のシナリオでも高い信頼性を維持しており、高齢者ケアおよび健康モニタリングにおける強い実用的応用可能性を示している。
• クラウドにおける特徴抽出により、単独のモバイルデバイスでの分析では不可能なより洗練された分析が可能になっている。
• FEDTにおけるアンサンブル学習アプローチにより、過学習が低減され、多様な転倒パターンにおける汎化性能が向上している。
• 本システムは、計算効率と検出性能のバランスを図っており、リアルタイム導入に適している。