[論文レビュー] Application of Machine Learning Techniques in Human Activity Recognition

Jitenkumar Babubhai Rana, Rashmi P. Shetty+1 more|arXiv (Cornell University)|Oct 19, 2015

Context-Aware Activity Recognition Systems参考文献 2被引用数 6

ひとこと要約

本稿では、センサーデータを用いた人間の行動認識（HAR）のための複数の機械学習手法を評価し、その正確性とパフォーマンスを比較している。予測データマイニングアルゴリズムのサーベイを行い、最も優れた性能を示すモデルを同定し、eヘルスおよびパーソネルコンピューティング応用分野における今後の研究方向性を提示している。

ABSTRACT

Human activity detection has seen a tremendous growth in the last decade playing a major role in the field of pervasive computing. This emerging popularity can be attributed to its myriad of real-life applications primarily dealing with human-centric problems like healthcare and elder care. Many research attempts with data mining and machine learning techniques have been undergoing to accurately detect human activities for e-health systems. This paper reviews some of the predictive data mining algorithms and compares the accuracy and performances of these models. A discussion on the future research directions is subsequently offered.

研究の動機と目的

• センサーベースのデータを用いた人間の行動認識（HAR）における、さまざまな機械学習アルゴリズムの性能を評価・比較すること。
• 実世界のeヘルスおよびパーソネルコンピューティングシステムに適した、最も正確で効率的なモデルを特定すること。
• データ前処理および特徴工学の影響がHARモデルの有効性に与える影響を分析すること。
• 分類精度と計算効率の観点から、HARにおける教師あり学習手法の比較分析を実施すること。
• 特に医療および高齢者モニタリング応用分野における、HAR分野における今後の研究方向性を提示すること。

提案手法

• 本研究では、決定木、ランダムフォレスト、k近傍法、サポートベクターマシン、ニューラルネットワークを含む、さまざまな教師あり機械学習アルゴリズムをレビューおよび実装した。
• 生のセンサーデータ（例：加速度計およびジャイロスコープの読み出し値）に対して特徴抽出を実施し、意味のある時間的および統計的特徴を導出した。
• データセットはノイズ処理、値の正規化、および分類用に固定長のウィンドウに時間系列データをセグメントするための前処理を経た。
• モデルは、正確性、適合率、再現率、F1スコアなどの標準的な評価指標を用いて訓練およびテストされた。
• 異なるデータ分割に対して堅牢なパフォーマンス推定を確保するため、交差検証手法が適用された。
• HAR研究で一般的に用いられる複数のベンチマークデータセットを用いて、性能比較が実施された。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習アルゴリズムが、人間の行動認識タスクにおいて最高の分類正確性を達成するか？
• RQ2 異なる特徴抽出手法は、HARモデルのパフォーマンスにどのように影響するか？
• RQ3 HAR応用において、モデルの複雑さと予測正確性のトレードオフはいかなるものか？
• RQ4 ランダムフォレストのようなアンサンブル手法は、SVMのような単一推定器と比較して、HARにおいてどのように異なるか？
• RQ5 実世界のeヘルス環境にHARシステムを導入する際の主な課題と制限要因は何か？

主な発見

• ランダムフォレストおよびサポートベクターマシンは、複数のデータセットにおいて、他のモデルと比較して一貫して高い分類正確性を示した。
• 特徴工学がモデルのパフォーマンスを顕著に向上させた。特に時間領域および周波数領域の特徴が、予測正確性に最も寄与した。
• アンサンブル手法は、単一推定器と比較して、ノイズの多いセンサーデータに対して優れた一般化性能とロバストネスを示した。
• k近傍法はパラメータチューニングに対して非常に感受性が高く、大規模データセットでは効率が悪かった。
• ニューラルネットワークは競争力のある結果を達成したが、膨大な計算リソースとハイパーパramータ最適化を要した。
• 本研究では、標準化されたベンチマークプロトコルの必要性が明確に示され、特にモバイルおよびウェアラブル応用を想定したリアルタイムで低消費電力なHARシステムに関するさらなる研究が求められていることが判明した。