[論文レビュー] B-HAR: an open-source baseline framework for in depth study of human activity recognition datasets and workflows

Florenc Demrozi, Cristian Turetta+1 more|arXiv (Cornell University)|Jan 23, 2021

Context-Aware Activity Recognition Systems被引用数 9

ひとこと要約

B-HAR は、人間活動認識（HAR）研究のための標準的で再現可能なかかるワークフローを提供する、オープンソースで設定可能なフレームワークです。一般的なデータ前処理手順と機械学習／ディープラーニングモデルを統合しており、研究者が多様なデータセットを対象にHAR手法を体系的かつ正確に評価・比較できるようにします。誤った処理パイプラインによる誤りを最小限に抑え、インertial、生理的、環境センサーを用いた9つのベンチマークHARデータセットでの検証を実施しています。

ABSTRACT

Human Activity Recognition (HAR), based on machine and deep learning algorithms is considered one of the most promising technologies to monitor professional and daily life activities for different categories of people (e.g., athletes, elderly, kids, employers) in order to provide a variety of services related, for example to well-being, empowering of technical performances, prevention of risky situation, and educational purposes. However, the analysis of the effectiveness and the efficiency of HAR methodologies suffers from the lack of a standard workflow, which might represent the baseline for the estimation of the quality of the developed pattern recognition models. This makes the comparison among different approaches a challenging task. In addition, researchers can make mistakes that, when not detected, definitely affect the achieved results. To mitigate such issues, this paper proposes an open-source automatic and highly configurable framework, named B-HAR, for the definition, standardization, and development of a baseline framework in order to evaluate and compare HAR methodologies. It implements the most popular data processing methods for data preparation and the most commonly used machine and deep learning pattern recognition models.

研究の動機と目的

• HAR手法の評価における標準的で再現可能なワークフローの欠如が、研究間の公平な比較を妨げているのを是正すること。
• 誤った処理順序や不適切なハイパーパrameter設定といった、HARパイプライン設計における一般的な誤りを、設定可能なベースラインフレームワークを提供することで低減すること。
• オフザシェルモデルとユーザー定義の機械学習・ディープラーニングモデルの両方をサポートしながら、実験間で一貫した前処理を維持すること。
• データソース、処理手順、モデル設定の詳細なドキュメント化を義務づけることで、HAR研究の透明性と再現性を向上させること。
• データ準備と評価手順を標準化することで、研究者が異なるデータセット間でモデル性能を公平に比較できるようにすること。

提案手法

• B-HAR は、ノイズフィルタリング、セグメンテーション、特徴抽出、正規化、特徴選択、クラスバランス調整などのデータ前処理ステップをオーケストレーションするモジュラで設定可能なパイプラインを実装している。
• このフレームワークは、CNN、RNN、従来の分類器を含む複数の機械学習およびディープラーニングモデルの統合をサポートしており、ハイパーパrameterを設定可能にしている。
• ユーザーはカスタムモデルを統合できる一方で、事前に定義された前処理ワークフローを再利用でき、一貫性を保ちつつ実装誤りを低減できる。
• 拡張性を考慮して設計されており、今後の新しいデータ処理技術、モデル、パフォーマンス指標の統合が可能である。
• ウィンドウサイズ、オーバーラップ、正規化手法、トレイン/テスト分割戦略などの重要なパrameterの明示的設定を義務づけることで、ベストプラクティスを遵守している。
• インertial、生理的、環境センサーを含む多様なセンサータイプとアクティビティカテゴリをカバーする、広く使われている9つのHARデータセットで検証されている。

実験結果

リサーチクエスチョン

• RQ1 標準的で再現可能なワークフローは、異なるデータセットや研究グループ間でのHARモデル評価の比較可能性と信頼性をどのように向上させるか？
• RQ2 HARパイプラインで一般的に誤りやパフォーマンス低下を引き起こす主なデータ処理ステップは何か。そして、それらを体系的に管理するにはどうすればよいか？
• RQ3 設定可能なオープンソースフレームワークは、HAR研究における実装誤りをどの程度低減し、再現性を向上させられるか？
• RQ4 標準化された前処理パイプライン内にユーザー定義モデルを統合することで、モデルパフォーマンスと実験の公平性にどのような影響を与えるか？
• RQ5 標準的モデルと新規アーキテクチャの両方をサポートしつつ、一貫性と透明性を維持するには、どの程度の設定可能性が必要か？

主な発見

• B-HAR は、9つのベンチマークデータセットにわたるHARワークフローの実装と評価を成功裏にサポートしており、多様なセンサーモダリティとアクティビティタイプに広く対応していることが示された。
• セグメンテーション、正規化、特徴選択などの前処理ステップを一貫して再現可能に適用でき、手動による設定誤りに起因するばらつきが低減された。
• ハイパーパrameterと処理ステップの構造的設定を義務づけることで、誤ったトレイン/テスト分割や不適切なデータバランス処理といった一般的な落とし穴を最小限に抑えた。
• フレームワークの標準化されたパイプライン内にユーザー定義モデルを統合することで、新しいモデルを既存のベースラインと公平に比較できるようになり、前処理の再実装が不要になった。
• 複数のデータセットでの検証により、B-HAR が高い再現性と設定可能性を維持していることが確認され、標準的および高度なHAR研究ワークフローを両方サポートできることが示された。
• フレームワークは、今後の拡張の基盤を提供しており、GUIサポート、新しいパフォーマンス指標、トランスファー学習および回帰モデルの統合が可能である。