[論文レビュー] Personalized Human Activity Recognition Using Convolutional Neural Networks

Seyed Ali Rokni, Marjan Nourollahi+1 more|arXiv (Cornell University)|Jan 25, 2018

Context-Aware Activity Recognition Systems被引用数 11

ひとこと要約

本稿では、最小限のユーザーラベル付きデータで個人に特化した行動認識を実現するための転移学習フレームワークを提案する。元のグループで事前学習された低層CNN層を凍結し、新しいユーザーからの少数のラベル付きインスタンスでのみ分類層を微調整することで、限られた監視下でも高い精度を達成し、従来の分類器と比較して、ユーザー間移行のシナリオにおいて顕著に優れた性能を発揮する。

ABSTRACT

A major barrier to the personalized Human Activity Recognition using wearable sensors is that the performance of the recognition model drops significantly upon adoption of the system by new users or changes in physical/ behavioral status of users. Therefore, the model needs to be retrained by collecting new labeled data in the new context. In this study, we develop a transfer learning framework using convolutional neural networks to build a personalized activity recognition model with minimal user supervision.

研究の動機と目的

• 新しいユーザーにモデルを適用した際のHARモデルの性能低下という課題に対処すること。
• 新しいユーザーに対するコストの高い手動のデータラベリングや特徴工学の依存度を低下させ、最小限の人為的監視を可能にすること。
• ソースドメインからの事前学習済み表現を活用して、新しいユーザー（ターゲットドメイン）に素早く適応できる個人に特化したHARシステムを開発すること。
• CNNを用いた転移学習が、新しいユーザーに対して僅か数個のラベル付きサンプルしか利用できない状況でも高い精度を維持できることを示すこと。
• 表現学習とパラメータ共有によりモデルの複雑さを低減することで、組み込みデバイスへの効率的なデプロイを可能にすること。

提案手法

• 3軸加速度計データを固定サイズのウィンドウ（w）に分割し、各センサーに対して3チャネル入力を形成する。SDAデータセットでは5台のセンサーを組み合わせると15チャネルになる。
• 微小な信号変動やセンサーのキャリブレーション差異に対する感受性を低減し、ドメイン一般化を向上させるために、離散化層を適用する。
• 離散化された系列をエンベッディング層に通して、ユーザー間・センサー間で共有可能なコンパクトな表現を生成する。
• ReLU活性化関数とマックスプーリングを用いた1D畳み込み層のスタックを用い、階層的でスケール不変な特徴を抽出するとともに次元を低減する。
• 新しいユーザーに対する微調整中に過学習を防ぐためにドロップアウト正則化を適用する。
• 転送畳み込み（TrC）手法を実装：事前学習済みネットワークのすべての低層を凍結し、新しいユーザーからの各行動ごとに3ラベル付きインスタンスを用いて、最終分類層のみを微調整する。

実験結果

リサーチクエスチョン

• RQ1 新しいユーザーからのわずかなラベル付きインスタンスでのみ事前学習済みCNNモデルを効果的に微調整することで、高い行動認識精度を達成できるか？
• RQ2 提案手法の転移学習アプローチは、ユーザー間HARシナリオにおいて、従来の機械学習分類器（例：SVM、ランダムフォレスト）と比較してどのように差をつけるか？
• RQ3 離散化とエンベッディングによる表現学習が、異なるユーザーおよびセンサーキャリブレーション間でモデルのロバスト性をどの程度向上させるか？
• RQ4 ソースグループのユーザーで事前学習された低層畳み込み層からの特徴転送が、極めて少ないデータで新しいターゲットユーザーの性能を向上させるか？
• RQ5 再訓練を完全に新たに開始することなく、制御不能な実世界環境でもモデルが高い性能を維持できるか？

主な発見

• 提案された転送畳み込み（TrC）手法は、各行動に対してたった3ラベル付きインスタンスしか利用できない状況でも、新しいユーザーにおける行動認識精度を顕著に向上させ、従来の分類器を上回る性能を示した。
• 転移学習を用いることで、新しいユーザーのデータ分布がソースグループの学習分布と異なる場合でも、高い精度を達成できた。
• 離散化とエンベッディング層の組み合わせにより、センサーのキャリブレーション差異や微小な信号変動に対する感受性が低減され、ユーザー間での一般化性能が向上した。
• SDAおよびWISDMデータセットにおけるすべてのリーブ・オール・サブジェクト・アウト評価において、TrC手法の性能は安定しており、ロバスト性とスケーラビリティを示した。
• 低層を凍結し、分類層のみを微調整することで、一般化された特徴を保持でき、計算コストを最小限に抑えた効率的な適応が可能になった。
• 広範なデータ収集や手作業による特徴工学の必要性が削減され、実世界の環境においても、個人に特化したHARシステムの迅速なデプロイが可能になった。