[論文レビュー] Recognition of Smoking Gesture Using Smart Watch Technology

Casey A. Cole, Bethany Janos+4 more|arXiv (Cornell University)|Mar 5, 2020

Smoking Behavior and Cessation参考文献 9被引用数 6

ひとこと要約

本研究では、スマートウォッチの加速度計データを用いて人工ニューラルネットワーク（ANN）で喫煙動作を検出する手法を提案し、食事や飲酒などの類似動作と区別する際の正確性が85%〜95%に達した。x軸の加速度計データが最も効果的であり、Apple Watchのデータで学習しPebble Steelのデータでテストした際のデバイス間一般化性能は90%以上を達成した。

ABSTRACT

Diseases resulting from prolonged smoking are the most common preventable causes of death in the world today. In this report we investigate the success of utilizing accelerometer sensors in smart watches to identify smoking gestures. Early identification of smoking gestures can help to initiate the appropriate intervention method and prevent relapses in smoking. Our experiments indicate 85%-95% success rates in identification of smoking gesture among other similar gestures using Artificial Neural Networks (ANNs). Our investigations concluded that information obtained from the x-dimension of accelerometers is the best means of identifying the smoking gesture, while y and z dimensions are helpful in eliminating other gestures such as: eating, drinking, and scratch of nose. We utilized sensor data from the Apple Watch during the training of the ANN. Using sensor data from another participant collected on Pebble Steel, we obtained a smoking identification accuracy of greater than 90% when using an ANN trained on data previously collected from the Apple Watch. Finally, we have demonstrated the possibility of using smart watches to perform continuous monitoring of daily activities.

研究の動機と目的

• ウェアラブル加速度計センサーを用いた喫煙動作検出手法の開発を通じて、喫煙断薬支援介入を支援すること。
• 喫煙動作認識に最も効果的に寄与する加速度計の軸（x, y, z）を特定すること。
• 異なるスマートウォッチデバイス（Apple WatchとPebble Steel）間でのモデルの一般化性能を評価すること。
• 市販のスマートウォッチハードウェアを用いて、喫煙関連行動の継続的・リアルタイム監視を可能にすること。
• 食事、飲酒、鼻かきなどの類似日常動作による誤検出を低減すること。

提案手法

• 制御された喫煙動作試行中にApple Watchから加速度計データを収集した。
• 収集したセンサデータを用いて人工ニューラルネットワーク（ANN）を学習させ、喫煙動作と他の類似動作を分類するようにした。
• 各加速度計軸（x, y, z）が分類性能に与える寄与を分析し、x軸が最も判別能が高いことを同定した。
• 別デバイス（Pebble Steel）から収集したデータセットを用いて、モデルのデバイス間一般化性能を評価した。
• 時間的パターンを抽出する特徴工学的手法を用い、喫煙に特徴的な運動を加速度データから特定した。
• 分類性能を評価するために、標準的な機械学習評価プロトコル（正確性指標など）を適用した。

実験結果

リサーチクエスチョン

• RQ1 スマートウォッチの加速度計データは、喫煙動作と類似した日常的行動を信頼性高く区別できるか？
• RQ2 どの加速度計軸（x, y, z）が喫煙動作の特定に最も判別能の高い情報を提供するか？
• RQ3 Apple Watchで学習したANNモデルが、Pebble Steelなどの別のスマートウォッチデバイスにどの程度一般化できるか？
• RQ4 市販のウェアラブルセンサーを用いて、喫煙動作の継続的・リアルタイム監視を実現できるか？
• RQ5 y軸およびz軸のデータを含めることで、喫煙動作検出の特異性はどの程度向上するか？

主な発見

• 人工ニューラルネットワークは、食事、飲酒、鼻かきなどの類似動作と区別して喫煙動作を認識する際、85%〜95%の正確性を達成した。
• x軸の加速度計データが、喫煙動作の特定に最も効果的な単一の情報源であった。
• y軸およびz軸のデータを組み込むことで、非喫煙動作による誤検出の低減に寄与し、分類性能が向上した。
• Apple Watchのデータで学習したモデルは、別のデバイス（Pebble Steel）に一般化でき、そのデバイスのテストデータで90%以上の正確性を達成した。
• 本研究では、自然状況下でスマートウォッチを用いた喫煙行動の継続的・リアルタイム監視の実現可能性を示した。
• 結果から、ウェアラブルセンサデータとANNを組み合わせた手法が、スケーラブルで非侵襲的な早期喫煙再発検出および介入ツールとして有効であることが示された。