[論文レビュー] Human Activity Recognition Based on Wearable Sensor Data: A Standardization of the State-of-the-Art

Artur Jordão, Antonio C. Nazaré+2 more|arXiv (Cornell University)|Jun 13, 2018

Context-Aware Activity Recognition Systems参考文献 27被引用数 80

ひとこと要約

この論文はウェアラブルセンサによる人間の活動認識の評価を標準化し、サンプル生成と検証プロトコルを分析、一般的手法に偏りを示し、2つの新しいサンプル生成アプローチとデータセット標準化を提案する。

ABSTRACT

Human activity recognition based on wearable sensor data has been an attractive research topic due to its application in areas such as healthcare and smart environments. In this context, many works have presented remarkable results using accelerometer, gyroscope and magnetometer data to represent the activities categories. However, current studies do not consider important issues that lead to skewed results, making it hard to assess the quality of sensor-based human activity recognition and preventing a direct comparison of previous works. These issues include the samples generation processes and the validation protocols used. We emphasize that in other research areas, such as image classification and object detection, these issues are already well-defined, which brings more efforts towards the application. Inspired by this, we conduct an extensive set of experiments that analyze different sample generation processes and validation protocols to indicate the vulnerable points in human activity recognition based on wearable sensor data. For this purpose, we implement and evaluate several top-performance methods, ranging from handcrafted-based approaches to convolutional neural networks. According to our study, most of the experimental evaluations that are currently employed are not adequate to perform the activity recognition in the context of wearable sensor data, in which the recognition accuracy drops considerably when compared to an appropriate evaluation approach. To the best of our knowledge, this is the first study that tackles essential issues that compromise the understanding of the performance in human activity recognition based on wearable sensor data.

研究の動機と目的

• ウェアラブルセンサの活動認識評価における性能をバイアスする要因を特定する。
• サンプル生成と検証プロトコルが報告精度に与える影響を評価する。
• 標準化された評価の下で、手作業特徴量からConvNetsまで、複数のトップパフォーマンス手法を実装・比較する。
• バイアスを減らし公正な比較を可能にする、2つの新しいデータサンプル生成プロセスを提案する。
• 再現可能な評価を促進するため、公開されているウェアラブルセンサデータセットを標準化する。

提案手法

• 手作業特徴量から畳み込みニューラルネットワークまで、最先端の活動認識手法を実装および評価する。
• 認識性能とバイアスに対するデータサンプル生成プロセスの影響を分析する。
• バイアスとデータ不足に対処するため、Full-Non-Overlapping-Window および Leave-One-Trial-Out のサンプル生成プロセスを提案する。
• センサ構成が異なるデータセットを標準化して一様な評価を可能にする。
• 10-fold cross-validation および leave-one-subject-out validation を用いてプロトコルが性能に及ぼす影響を検討する。
• 方法を比較し同等性を評価するための統計的検証を行う。

実験結果

リサーチクエスチョン

• RQ1 ウェアラブルセンサデータにおけるサンプル生成プロセスは、報告される活動認識精度をどのようにバイアスするか？
• RQ2 多様なデータセットにおいて堅牢でバイアスの少ない性能推定を生み出す検証プロトコルは何か？
• RQ3 標準化された評価の下で、手作業特徴量とConvNetベースの手法は依然として競争力を持つか？
• RQ4 新しいデータサンプル生成方式は、サンプルサイズを過度に削減せずにバイアスを減らせるか？
• RQ5 公開データセットを再現性のあるベンチマークに適するようどのように標準化すべきか？

主な発見

• 半非重複ウィンドウサンプリングによるバイアスは訓練データとテストデータの重複を生じ精度を高く見積もることがある：バイアスを除くと性能が低下する。
• Full-Non-Overlapping-Window はバイアスを減らすがサンプル数が少なくなり精度が低下する可能性がある。
• Leave-One-Trial-Out はクロスバリデーションの構造を保ちつつ試行内の重複を防ぎ、バイアスを緩和する。
• 標準化評価下では、バイアスのある設定と比べ多くの手法の精度が平均的に約10ポイント低下する。
• ConvNetベースの手法は慎重なアーキテクチャ設計（チャネル分離、カーネルサイズ）を要し、低サンプリングレートデータセットでは現実的でない場合がある。
• データセットを横断した標準化は手法の頑健性のばらつきを明らかにし、再現可能なベンチマークの必要性を強調する。