[論文レビュー] Multivariate Time Series Classification Using Dynamic Time Warping Template Selection for Human Activity Recognition

Skyler Seto, Wenyu Zhang+1 more|arXiv (Cornell University)|Dec 21, 2015

Context-Aware Activity Recognition Systems参考文献 14被引用数 31

ひとこと要約

本稿では、人間の行動認識における多次元時系列分類のための動的時間ワープ（DTW）に基づくテンプレート選択手法を提案する。特徴抽出やドメイン知識に依存せず、ノイズが多い状況や訓練データに含まれない新しい被験者に対しても、従来の特徴抽出法と同等またはそれ以上の精度を達成する。

ABSTRACT

Accurate and computationally efficient means for classifying human activities have been the subject of extensive research efforts. Most current research focuses on extracting complex features to achieve high classification accuracy. We propose a template selection approach based on Dynamic Time Warping, such that complex feature extraction and domain knowledge is avoided. We demonstrate the predictive capability of the algorithm on both simulated and real smartphone data.

研究の動機と目的

• スマートフォンセンサデータを用いた人間の行動分類のための計算効率が高く、正確な手法を開発すること。
• 人間の行動認識（HAR）における複雑な特徴抽出やドメインエキスパートの知識に依存しないこと。
• 多次元時系列データから解釈可能で視覚的に意味のある行動テンプレートを構築すること。
• 訓練データに含まれない新しい被験者やノイズの多い状況に対しても、耐性を高めること。
• 実世界のUCI HARデータおよび合成的でノイズの多いデータの両方で、本手法の有効性を示すこと。

提案手法

• 多次元時系列の類似性測定として、DTW（動的時間ワープ）を改良し、精度と計算効率を向上させる。
• DTWに基づくクラスタリングを用いて、類似した運動シーケンスをグループ化し、異なる人間の行動を表すクラスタを形成する。
• 各クラスタからDBA（動的時間ワープ中央平均）またはDPA（DTWベースのペアワイズ平均）を用いて時系列平均を計算し、典型的な行動パターンを表すテンプレートを構築する。
• 類似性測定と分類性能の向上を目的に、部分列に基づくDTWの変種（DTWsubseq）を適用する。
• テンプレート生成を制御するためのしきい値パラメータ「cut」を導入し、低い値にすることで過学習を低減し、精度を向上させる。
• テストシーケンスとすべてのテンプレートとの間のDTW距離を計算し、最も近いマッチングを分類結果として割り当てる。

Figure 1: DTW image from [ 12 ] showing the alignment procedure. The two original time series shown on the left (dotted) and bottom (solid) of the image on the right are shown aligned on the left image according to the optimal path shown as the dark black line on the right.

実験結果

リサーチクエスチョン

• RQ1 DTWベースのテンプレート選択手法は、従来の特徴抽出法と同等またはそれ以上の分類精度を達成できるか？
• RQ2 本手法は、ノイズの多い状況や訓練データに含まれない新しい個人のデータに対して、どのように性能を発揮するか？
• RQ3 DTWsubseq や改良されたDTWを用いることで、標準DTWに比べて分類精度が向上するか？
• RQ4 テンプレート構築にDBA（動的時間ワープ中央平均）とDPA（DTWベースのペアワイズ平均）を用いる際の性能差は何か？
• RQ5 'cut' しきい値パラメータが分類精度とモデルの一般化性能にどのように影響するか？

主な発見

• UCI HARデータセットでは0.860の精度を達成（動的活動を含めると0.890）、特徴抽出手法と同等の性能を示した。
• 合成データでは、DTWsubseqとDPA、cut=0.25を用いた場合に0.700の精度を達成し、特徴抽出法（0.67）を上回った。
• DBAベースのテンプレートはDPAベースのテンプレートよりも、一時的なノイズに対して著しく耐性があり、ノイズ領域でも形状を保持した。
• 「cut」パラメータを低くすることで、実データおよび合成データの両方で一貫して精度が向上し、一般化性能が向上することが示された。
• DTWsubseqは、すべての設定で標準DTWを上回り、分類のための類似性測定の精度が向上していることがわかった。
• 本手法は、新しい被験者やノイズの多いデータに対しても強く一般化でき、合成評価において特徴抽出法よりも高い精度を示した。

Figure 2: Breakdown of the template selection and classification method