[論文レビュー] Machine Learning based Anomaly Detection for Smart Shirt: A Systematic Review

E. C. Nunes|arXiv (Cornell University)|Mar 7, 2022

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本系統的レビューでは、2017年から2021年までの11件の研究（スマートシャツにおける機械学習ベースの異常検出）を分析し、転倒検出、心拍リズム障害、姿勢異常を焦点としている。教師あり学習、特にサポートベクターマシン（SVM）が、Hexoskinなどのデバイスからのセンサデータを用いて90％以上の正確性を達成していることが判明した。転倒検出は、最も一般的な異常タイプである。

ABSTRACT

In recent years, the popularity and use of Artificial Intelligence (AI) and large investments on theInternet of Medical Things (IoMT) will be common to use products such as smart socks, smartpants, and smart shirts. These products are known as Smart Textile or E-textile, which has theability to monitor and collect signals that our body emits. These signals make it possible to extractanomalous components using Machine Learning (ML) techniques that play an essential role in thisarea. This study presents a Systematic Review of the Literature (SLR) on Anomaly Detection usingML techniques in Smart Shirt. The objectives of the SLR are: (i) to identify what type of anomalythe smart shirt; (ii) what ML techniques are being used; (iii) which datasets are being used; (iv)identify smart shirt or signal acquisition devices; (v) list the performance metrics used to evaluatethe ML model; (vi) the results of the techniques in general; (vii) types of ML algorithms are beingapplied.The SLR selected 11 primary studies published between 2017-2021. The results showed that6 types of anomalies were identified, with the Fall anomaly being the most cited. The Support VectorMachines (SVM) algorithm is most used. Most of the primary studies used public or private datasets.The Hexoskin smart shirt was most cited. The most used metric performance was Accuracy. Onaverage, almost all primary studies presented a result above 90%, and all primary studies used theSupervisioned type of ML.

研究の動機と目的

• スマートシャツを用いた機械学習による異常検出の種別を特定すること。
• 既存の研究で用いられた機械学習技術、データセット、性能指標を分析すること。
• スマートシャツにおける生理的および行動的異常を検出するための機械学習モデルの性能を評価すること。
• 現在の研究で最も頻繁に使用されているスマートシャツまたは信号取得デバイスを特定すること。
• ウェアラブル織物におけるリアルタイム異常検出のための教師あり機械学習の最先端状況を評価すること。

提案手法

• キーンシャムとチャーターズの手法に従い、関連する一次研究（2017–2021年）を同定するための系統的文献レビュー（SLR）を実施した。
• 事前に定めた含む・除外基準に基づき、11件の高品質な一次研究を選定した。
• 異常タイプ、機械学習アルゴリズム、データセット、信号取得デバイス、性能指標、モデルの結果に関するデータを抽出した。
• 機械学習技術を教師ありに分類し、異常検出における分類性能に焦点を当てた。
• 正確性、適合率、再現率、F1スコア、特異度などの標準指標を用いてモデル性能を評価した。
• アルゴリズムの人気度、センサータイプ（例：加速度計、ECG）、デバイスモデル（例：Hexoskin）の傾向を特定するため、結果をマッピングした。

実験結果

リサーチクエスチョン

• RQ1 スマートシャツを用いた機械学習で検出される異常の種別は何か？
• RQ2 スマートシャツにおける異常検出に最も頻繁に適用されている機械学習技術は何か？
• RQ3 この分野で機械学習モデルの学習および評価に用いられているデータセットは何か？
• RQ4 研究で最も頻繁に使用されているスマートシャツまたは信号取得デバイスは何か？
• RQ5 使用されている性能指標は何か？ また、正確性および分類指標の観点から、モデルの性能はいかほどか？

主な発見

• 6種類の異常タイプが同定され、そのうち「転倒」が最も頻繁に研究対象とされており、11件の研究のうち5件で登場した。
• サポートベクターマシン（SVM）が最も広く使用された機械学習アルゴリズムであり、11件の研究のうち7件で採用された。
• すべての研究が教師あり学習を採用しており、モデルの正確性はほぼすべてのケースで90％を超えていた（90.01％～98.5％の範囲）。
• データ取得に最も頻繁に使用されたデバイスはHexoskinスマートシャツであり、複数の研究で採用された。
• 正確性が最も一般的に報告された性能指標であり、8件の研究で使用された。その後にF1スコア、適合率、再現率が続く。
• 最も効果的なモデルでは98％を超える正確性（例：A1およびA11でのSVM）を達成しており、一部のケースでは特異度（98.5％）と感度（97.6％）も高い水準を示した。