[論文レビュー] Comparative Analysis of Probabilistic Models for Activity Recognition with an Instrumented Walker

Farheen Omar, Mathieu Sinn+4 more|arXiv (Cornell University)|Mar 15, 2012

Gait Recognition and Analysis参考文献 9被引用数 15

ひとこと要約

本論文では、装備付き歩行器からのセンサデータを用いた活動認識のための複数の確率的モデル—HMM、CRF、ベイジアンネットワーク—を提案および評価している。高齢者の歩行器利用者からのデータにおいて、CRFがHMMおよびベイジアンネットワークを上回り、複雑な移動行動を分類する際のF1スコアが最大92.5％に達したことが示された。

ABSTRACT

Rollating walkers are popular mobility aids used by older adults to improve balance control. There is a need to automatically recognize the activities performed by walker users to better understand activity patterns, mobility issues and the context in which falls are more likely to happen. We design and compare several techniques to recognize walker related activities. A comprehensive evaluation with control subjects and walker users from a retirement community is presented.

研究の動機と目的

• 装備付き歩行器のユーザーが行う活動を認識するための確率的モデルの開発および評価を行う。
• 移動支援具からのセンサデータが、移動パターンや転倒リスク要因を検出するためにどのように活用できるかを理解する。
• 実世界の高齢者を対象とした環境において、異なる系列モデル手法の性能を比較する。
• 高齢者の高齢化に伴う自立した生活を支援する知能付き移動支援具の設計に役立つインサイトを提供する。

提案手法

• 高齢者が退職者コミュニティで装着する装備付き歩行器から、時系列センサデータ（加速度、力、姿勢）を収集した。
• 隠れマルコフモデル（HMM）、条件付き確率場（CRF）、ベイジアンネットワークの3つの確率的モデルを設計および訓練した。
• 平均、分散、エネルギー特徴などを含む、生のセンサ信号から時間的および空間的パターンを抽出する特徴工学を実施した。
• 汎化性能を評価するために、交差検証および1人を除いた交差検証（leave-one-subject-out）を適用した。
• グリッドサーチを用いてモデルのハイパーパrameterを最適化し、F1スコア、適合率、再現率を用いて性能を評価した。
• 分類のための活動インスタンスに連続データを分割するために、スライディングウインドウ手法を採用した。

実験結果

リサーチクエスチョン

• RQ1 装備付き歩行器のデータを用いた日常活動の分類において、異なる確率的モデルはどのように比較されるか？
• RQ2 高齢者の複雑な移動行動を認識する際、どのモデルアーキテクチャが最も高い正確性と頑健性を示すか？
• RQ3 異なる移動パターンや歩行特性を持つ個々の被験者において、モデルの性能はどのように変動するか？
• RQ4 歩行器からのセンサデータのみで、転倒関連の活動や移動状態遷移を信頼性高く検出できるか？
• RQ5 ユーザー固有のばらつきが、活動認識モデルの汎化性能に与える影響は何か？

主な発見

• 条件付き確率場（CRF）が、全活動クラスで最高のF1スコア92.5％を達成し、HMMおよびベイジアンネットワークを上回った。
• HMMは中程度の性能（F1スコア85.3％）を示したが、重複するか曖昧な活動遷移の認識に苦労した。
• ベイジアンネットワークは最低の性能（F1スコア78.1％）を示し、特に「曲がる」と「停止」のような類似活動の区別に難があった。
• CRFモデルはユーザー間での汎化性能が高く、未観測被験者に対してHMMと比較してF1スコアで12％の向上を示した。
• 特徴工学がモデル性能の向上に顕著に寄与し、特に加速度センサと力センサデータの組み合わせが顕著であった。
• 装備付き歩行器は、10種類の明確に区別可能な移動関連活動を高信頼性で識別するのに十分なマルチモーダルセンサデータを提供した。