[論文レビュー] Personalizing human activity recognition models using incremental learning

Pekka Siirtola, Heli Koskimäki+1 more|arXiv (Cornell University)|May 29, 2019

Context-Aware Activity Recognition Systems参考文献 9被引用数 12

ひとこと要約

本論文では、ユーザーの中断を伴わずにスマートフォンのインertialセンサデータから人間の活動認識（HAR）モデルをパーソナライズするためのインクリメンタル学習アプローチを提案する。小さな個人用ストリーミングデータでユーザーに依存しないモデルを更新することで、分類精度が著しく向上する。特に、ベース分類器として線形判別分析（LDA）を用いる場合、初期モデルと比較して4.6パーセンテージポイントの向上を達成する。

ABSTRACT

In this study, the aim is to personalize inertial sensor data-based human activity recognition models using incremental learning. At first, the recognition is based on user-independent model. However, when personal streaming data becomes available, the incremental learning-based recognition model can be updated, and therefore personalized, based on the data without user-interruption. The used incremental learning algorithm is Learn++ which is an ensemble method that can use any classifier as a base classifier. In fact, study compares three different base classifiers: linear discriminant analysis (LDA), quadratic discriminant analysis (QDA) and classification and regression tree (CART). Experiments are based on publicly open data set and they show that already a small personal training data set can improve the classification accuracy. Improvement using LDA as base classifier is 4.6 percentage units, using QDA 2.0 percentage units, and 2.3 percentage units using CART. However, if the user-independent model used in the first phase of the recognition process is not accurate enough, personalization cannot improve recognition accuracy.

研究の動機と目的

• 個々のユーザー向けにHARモデルをパーソナライズする課題に取り組むが、個別の大量データ収集セッションを要しないようにする。
• スマートフォンのインertialセンサからのストリーミングデータを用いて、ユーザーの中断なしにリアルタイムでのモデルパーソナライズを可能にする。
• LDA、QDA、CARTなどの異なるベース分類器を用いた、Learn++によるインクリメンタル学習の有効性を評価する。
• パーソナライズが、誤ったユーザーに依存しないモデルの限界を克服できるかどうかを調査する。

提案手法

• 本手法は、入力データをチャンク単位で処理し、新しい弱いベースモデルと以前に訓練されたモデルを重み付き多数決投票によって動的に統合するLearn++インクリメンタル学習アルゴリズムを用いる。
• まず、8名の被験者からのデータを用いてleave-one-outアプローチでユーザーに依存しないモデルを訓練し、その後、9番目の被験者からのストリーミングデータをラベル付けするためにそのモデルを用いる。
• 各個人のラベル付きストリーミングデータを用いて、パーソナライズされたモデルを段階的に更新する。各新しいベースモデルは、個人データのランダムサンプル上で訓練される。
• 線形判別分析（LDA）、2次判別分析（QDA）、分類および回帰木（CART）という3つのベース分類器を、Learn++アンサンブルにおける性能評価のために評価する。
• 時間領域統計、パーセンタイルベースの特徴量、周波数領域成分を含む、3次元の加速度計およびジャイロスコープ信号から特徴量を抽出し、1ウィンドウあたり244の特徴量が得られる。
• 4.2秒のスライディングウィンドウと1.4秒のオーバーラップを用いてデータをセグメント化し、パーソナライゼーションの前には各ウィンドウをユーザーに依存しないモデルでラベル付けする。

実験結果

リサーチクエスチョン

• RQ1 少量の個人用ストリーミングデータのみを用いて、Learn++によるインクリメンタル学習がHARモデルのパーソナライズに効果的に機能するか。
• RQ2 ベース分類器の選択（LDA、QDA、CART）が、パーソナライズされたHARモデルにおける性能向上にどのように影響するか。
• RQ3 インクリメンタル学習を用いても、認識精度の向上が達成されない条件は何か。
• RQ4 初期のユーザーに依存しないモデルが不正確な場合、パーソナライズがどれほど精度向上に寄与できるか。

主な発見

• Learn++アンサンブルにおけるベース分類器としてLDAを用いることで、分類精度の向上が最も顕著に現れ、ユーザーに依存しないモデルと比較して誤差率が4.6パーセンテージポイント低下した。
• QDAベースのパーソナライズでは2.0パーセンテージポイントの精度向上が得られ、CARTベースのパーソナライズでは2.3パーセンテージポイントの向上が得られた。
• 全被験者における平均誤差率は、ユーザーに依存しないモデルの14.1％から、LDAベースのLearn++では9.5％に低下し、相対的に33.1％の改善が達成された。
• 特定の被験者（例：CARTを用いた被験者3号および6号）では、初期のユーザーに依存しないモデルが一部の活動クラスを信頼性なく分類していたため、パーソナライズによって誤差率が低下しなかった。
• 結果から、初期のユーザーに依存しないモデルが十分に正確でない場合、誤分類されたデータがパーソナライズ段階に伝播するため、パーソナライズが効果を発揮しないことが示された。
• 1活動あたり3分間の個人データのみで、著しい精度向上が達成された。これは、より大きな長期的な個人データセットを用いることでさらなる改善が期待できる可能性を示唆している。