[論文レビュー] Probabilistic Sensor Fusion for Ambient Assisted Living

Tom Diethe, Niall Twomey+3 more|arXiv (Cornell University)|Feb 4, 2017

Context-Aware Activity Recognition Systems参考文献 24被引用数 12

ひとこと要約

本論文は、スマートホームにおけるアームドアシストドリビングを目的としたベイジアン確率的センサーフュージョンフレームワークを提案する。加速度計、環境センサ、ビデオなど、異種のセンサモダリティを統合することで、行動認識と位置予測を向上させる。不確実性を明示的にモデル化し、位置と行動の共同学習を可能にすることで、ベンチマークモデルを上回り、各行動における重要なセンサモダリティと特徴量を同定する。

ABSTRACT

There is a widely-accepted need to revise current forms of health-care provision, with particular interest in sensing systems in the home. Given a multiple-modality sensor platform with heterogeneous network connectivity, as is under development in the Sensor Platform for HEalthcare in Residential Environment (SPHERE) Interdisciplinary Research Collaboration (IRC), we face specific challenges relating to the fusion of the heterogeneous sensor modalities. We introduce Bayesian models for sensor fusion, which aims to address the challenges of fusion of heterogeneous sensor modalities. Using this approach we are able to identify the modalities that have most utility for each particular activity, and simultaneously identify which features within that activity are most relevant for a given activity. We further show how the two separate tasks of location prediction and activity recognition can be fused into a single model, which allows for simultaneous learning an prediction for both tasks. We analyse the performance of this model on data collected in the SPHERE house, and show its utility. We also compare against some benchmark models which do not have the full structure,and show how the proposed model compares favourably to these methods

研究の動機と目的

• スマートホームにおける異種センサデータの統合に課される課題に対処すること。
• ホームベースのヘルスケアモニタリングにおける透明で不確実性を考慮した意思決定を可能にすること。
• マルチモーダルセンサストリームから同時に位置と行動を学習・予測すること。
• 特定の行動に対して最も情報をもたらすセンサモダリティと特徴量を同定すること。
• 階層ベイジアンモデルを用いて、個人およびホーム間の転移学習を支援すること。

提案手法

• 著者らは、データ生成プロセスを表現し、センサ固有のノイズモデルを組み込むためにベイジアン確率的グラフィカルモデルを採用する。
• コミュニティレベルの知識を新しい個人に転送できるように、個人間で情報を共有する階層ベイジアンモデルを用いる。
• センサスコアを確率的にモデル化することで、ヒューリスティックな分類器スタッキングを避けることにより、早期統合と後期統合の両方の戦略を統合する。
• 統一された確率的構造を通じて、位置と行動予測を共同で学習することで、推論のロバスト性を向上させる。
• 特徴量はモデル内での事後的関連性に基づいて選択され、意思決定を駆動する入力要因の内省的分析を可能にする。
• 重尾型の事前分布とメタ特徴量を用いて、異なる展開環境（例：家から家への移行）への一般化を図る。

実験結果

リサーチクエスチョン

• RQ1 スマートホームにおいて、特定の行動を認識するために、どのセンサモダリティが最も情報をもたらすか。
• RQ2 位置予測と行動認識をどのように共同でモデル化すれば、性能が向上するか。
• RQ3 統一されたベイジアンモデルは、分離またはヒューリスティックな統合手法を上回る性能を発揮できるか。
• RQ4 限られたデータでの新しい個人に、効果的に学習済みモデルを転送できるか。
• RQ5 モデルは、現実のセンサストリームにおける欠損データと不確実性をどのように処理するか。

主な発見

• 提案されたベイジアン統合モデルは、不確実性の完全な構造的統合と共同学習を欠いたベンチマークモデルを上回る性能を示した。
• モデルは、各行動に対して最も関連性の高いセンサモダリティと特徴量を効果的に同定し、解釈可能な意思決定を可能にした。
• 位置と行動認識の共同モデリングにより、独立したモデルと比較して予測精度が向上した。
• 転移学習により、初期データが全くない新しい個人に対しても、コミュニティレベルの事前分布を用いて正確な予測が可能になった。
• フレームワークは欠損データと時間的パターンを効果的に処理でき、センサストリームにおける確率的推論を活用した。
• モデルは、個人に特化した予測と一般化された予測の両方をサポートし、新しいデータの到着に伴い滑らかに適応した。