[論文レビュー] Predicting physiological developments from human gait using smartphone sensor data

Umair Ahmed, Muhammad Faizyab Ali+2 more|arXiv (Cornell University)|Dec 13, 2017

Context-Aware Activity Recognition Systems参考文献 23被引用数 4

ひとこと要約

本研究では、手作り特徴量とガウス窓およびスクエア窓による特徴抽出を用いた機械学習を活用し、歩行中の加速度計およびジャイロスコープのデータから体格指数（BMI）と年齢層を予測するスマートフォンベースのシステムを提案する。最も優れた性能を示したモデルはk-最近傍法（KNN）であり、ガウスフィルタリングを用いてBMI予測で94.47%の真正陽性率、年齢分類で95.9%を達成した。

ABSTRACT

Coronary artery disease, heart failure, angina pectoris and diabetes are among the leading causes of morbidity and mortality over the globe. Susceptibility to such disorders is compounded by changing lifestyles, poor dietary routines, aging and obesity. Besides, conventional diagnostics are limited in their capability to detect such pathologies at an early stage. This generates demand for automatic recommender systems that could effectively monitor and predict pathogenic behaviors in the body. To this end, we propose human gait analysis for predicting two important physiological parameters associated with different diseases, body mass index and age. Predicting age and body mass index by actively profiling the gait samples, could be further used for providing suitable healthcare recommendations. Existing strategies for predicting age and body mass index, however, necessitate stringent experimental settings for achieving appropriate performance. For instance, precisely recorded speech signals were recently used for predicting body mass indices of different subjects. Similarly, age groups were predicted by recording gait samples from on-body and wearable sensors. Such specialized methods limit active and convenient profiling of human age and body mass indices. We address these issues, by introducing smartphone sensors as a means for recording gait signals. Using on-board accelerometer and gyroscope helps in developing easy-to-use and accessible systems for predicting body mass index and age. To empirically show the effectiveness of our proposed methodology, we collected gait samples from sixty-three different subjects that were classified in body mass index and age groups using six well-known machine learning classifiers. We evaluated our system using two different windowing operations for feature extraction, namely Gaussian and Square.

研究の動機と目的

• スマートフォンのセンサーを用いた、身体的パラメータ（BMIや年齢など）を非侵襲的かつアクセスしやすい方法で予測する手法の開発。
• 専用機器、音声信号、ウェアラブルセンサーに依存する既存手法の限界を克服すること。
• 継続的な歩行ベースのモニタリングにより、糖尿病、虚血性心疾患、心不全などの病態の早期発見を可能にすること。
• ガウス窓とスクエア窓の異なる窓関数処理が、BMIおよび年齢予測の分類精度に与える影響を評価すること。
• スマートフォンのデータを用いた歩行ベースの生理的予測において、最適な機械学習分類器および特徴抽出パラメータを同定すること。

提案手法

• 63名の被験者から、通常の歩行中にスマートフォンの加速度計およびジャイロスコープセンサーを用いて歩行データを収集した。
• 2種類の窓関数処理（ガウス窓とスクエア窓）を用いて、時間領域のセグメント化されたデータから14の統計的特徴量を抽出した。
• 分類器の性能に統計的有意性を保証するため、10分割交差検証を適用した。
• 6種類の機械学習分類器を用いた：KNN、ランダムフォレスト、SVM、マルチレイヤーパーセプトロン、J48意思決定木、ロジスティック回帰。
• 経験的評価を通じて、窓パラメータを最適化した（BMIのガウス窓：σ = 0.36s、年齢のガウス窓：σ = 0.5s；スクエア窓：幅 = 0.83s および 1.11s）。
• 周波数領域解析を実施し、ガウスフィルタリングがスクエアフィルタリングを上回る理由（スペクトル漏れとノイズ増幅の低減）を説明した。

実験結果

リサーチクエスチョン

• RQ1 専用センサーや制御された環境に依存せずに、スマートフォンベースの歩行分析がBMIと年齢層を正確に予測できるか？
• RQ2 ガウス窓とスクエア窓の異なる窓関数処理が、歩行信号からのBMIおよび年齢分類の機械学習モデル性能に与える影響は何か？
• RQ3 スマートフォンセンサーデータからのBMIおよび年齢予測において、どの機械学習分類器が最も高い正確性を示すか？
• RQ4 歩行ベースの生理的予測における特徴抽出の最適な窓サイズおよび標準偏差は何か？
• RQ5 ガウスフィルタリングがスクエアフィルタリングを上回る正確性を示す理由は何か？その背後にある信号処理的根拠は？

主な発見

• k-最近傍法（KNN）は、σ = 0.36sのガウス窓を用いた場合、BMI予測で94.47%の真正陽性率を達成し、最も優れた性能を示した。
• 年齢分類においても、σ = 0.5sのガウスフィルタリングを用いたKNNは、他の分類器を上回り、95.9%の真正陽性率を達成した。
• SVMは、幅 = 1.11sのスクエア窓を用いた場合、年齢予測で94.28%の正確性を示し、全モデルの中で2番目に高い性能を示した。
• ガウスフィルタリングの性能は、標準偏差が閾値（BMIでは0.31s、年齢では0.56s）を超えた場合に顕著に向上し、周波数応答が集中するためである。
• フーリエ解析により、スクエア窓はスペクトルローブ（Sinc応答）を引き起こし、ノイズに敏感になるのに対し、ガウスフィルタリングは単一のピークに収束し、干渉を低減することが明らかになった。
• ロジスティック回帰は両タスクで著しく低い性能を示し、BMI予測で69.43%、年齢予測で69.04%の真正陽性率にとどまった。