[論文レビュー] Wearable Sensor Data Based Human Activity Recognition using Machine Learning: A new approach

Hung D. Nguyen, Kim Phuc Tran+3 more|arXiv (Cornell University)|May 9, 2019

Context-Aware Activity Recognition Systems参考文献 22被引用数 16

ひとこと要約

本稿では、ウェアラブルセンサーを用いた人間活動認識（HAR）のためのアンサンブル機械学習手法を提案する。この手法は、ロジスティック回帰、マルチレイヤーパーセプトロン、K-NN、SVM、ランダムフォレストといった高精度な複数の分類器を投票戦略で統合することで、認識精度を向上させる。MHEALTHデータセットでは94.72%、USC-HADでは86.90%の精度を達成し、先行研究のアンサンブル手法を上回り、Fスコアと再現率において顕著な向上を示した。

ABSTRACT

Recent years have witnessed the rapid development of human activity recognition (HAR) based on wearable sensor data. One can find many practical applications in this area, especially in the field of health care. Many machine learning algorithms such as Decision Trees, Support Vector Machine, Naive Bayes, K-Nearest Neighbor, and Multilayer Perceptron are successfully used in HAR. Although these methods are fast and easy for implementation, they still have some limitations due to poor performance in a number of situations. In this paper, we propose a novel method based on the ensemble learning to boost the performance of these machine learning methods for HAR.

研究の動機と目的

• ウェアラブルセンサーからのデータを用いた機械学習ベースの人体活動認識（HAR）の性能を向上させること。
• 手作業で特徴を抽出する依存性や、複雑な状況下での性能が不十分であるといった従来の機械学習モデルの限界を解消すること。
• 多様な基本分類器をアンサンブル学習で統合することで、認識精度と耐障害性を向上させること。
• アンサンブルフレームワーク内でより優れた基本モデルを組み合わせることで、既存手法よりも優れたHAR性能を達成できることを示すこと。
• リアルタイムの健康モニタリングアプリケーションに適した軽量で効率的かつ高精度なソリューションを提供すること。

提案手法

• フレームワークは、生のセンサー・データを5秒の時間的スライディング・ウィンドウで区画し、活動のサンプルに分割する。
• 統計的および時間領域特徴を用いて、加速度計、ジャイロスコープ、磁気センサー信号から特徴量を抽出する。
• 抽出された特徴量を用いて、ロジスティック回帰、マルチレイヤーパーセプトロン、K-NN、SVM、ランダムフォレストといった複数の基本分類器を訓練する。
• アンサンブル投票分類器が、すべての基本モデルの予測を統合して最終的な活動ラベルを出力する。
• 基本学習器の多様性を活用することで、一般化性能を向上させ、誤差率を低減する。
• 標準指標（精度、再現率、Fスコア）を用いて性能を評価し、90%信頼区間を報告する。

実験結果

リサーチクエスチョン

• RQ1 多様な機械学習分類器のアンサンブルは、個々のモデルと比較してHAR性能を向上させることができるか？
• RQ2 アンサンブルにより高い性能を示す基本分類器を組み込むことで、認識精度と耐障害性が向上するか？
• RQ3 実世界のウェアラブルセンサー・データセットにおいて、提案手法のアンサンブルは、既存のアンサンブル手法と比較して、精度、再現率、Fスコアの観点で優れているか？
• RQ4 アンサンブル手法は、過学習や特徴工学への依存性の影響をどの程度軽減できるか？
• RQ5 十分なラベル付きデータが限られる状況下でも、本手法は深層学習を必要とせずに高い性能を維持できるか？

主な発見

• 提案されたアンサンブル手法は、MHEALTHデータセットで94.72%の精度を達成し、ベースライン手法（93.87%）を上回った。
• USC-HADデータセットでは、86.90%の精度を達成し、ベースライン（85.28%）を顕著に上回った。
• MHEALTHでは、提案手法のFスコアが0.9412に達し、ベースラインの0.9339と比較して、精度と再現率のバランスが優れていた。
• USC-HADでは再現率が83.20%に向上し、ベースラインの81.74%を上回り、陽性の活動インスタンスの検出能力が向上した。
• すべての指標について、90%信頼区間が提案手法で一貫して狭く、かつ高い値を示しており、信頼性が向上していることが示された。
• 結果から、アンサンブル投票を用いて高精度な基本モデルを統合することで、個々のモデルや既存のアンサンブル手法よりも顕著にHAR性能が向上することが確認された。