[論文レビュー] Wearable Vision Detection of Environmental Fall Risks using Convolutional Neural Networks

Mina Nouredanesh, A.C. McCormick+2 more|arXiv (Cornell University)|Nov 2, 2016

Video Surveillance and Tracking Methods参考文献 1被引用数 3

ひとこと要約

本論文では、胸に装着したGoProと畳み込みニューラルネットワーク（CNN）を用いたウェアラブルな1人称視覚システムを提案し、高齢者の環境的転倒リスクを検出する。このシステムは、階段、縁石、不整地帯など12種類の危険クラスを分類し、平均二乗誤差（MSE）8％を達成しており、日常的な生活における転倒予防のための有望なリアルタイム検出を示している。

ABSTRACT

In this paper, a method to detect environmental hazards related to a fall risk using a mobile vision system is proposed. First-person perspective videos are proposed to provide objective evidence on cause and circumstances of perturbed balance during activities of daily living, targeted to seniors. A classification problem was defined with 12 total classes of potential fall risks, including slope changes (e.g., stairs, curbs, ramps) and surfaces (e.g., gravel, grass, concrete). Data was collected using a chest-mounted GoPro camera. We developed a convolutional neural network for automatic feature extraction, reduction, and classification of frames. Initial results, with a mean square error of 8%, are promising.

研究の動機と目的

• 日常の活動中に高齢者における環境的転倒リスクをリアルタイムで特定するウェアラブルな視覚システムを開発すること。
• 胸に装着したGoProからの1人称視点動画を用いて、バランスの乱れに関連する客観的データを記録すること。
• 勾配（階段、斜面）と表面（砂利、芝、コンクリート）を含む、12種類の明確に区別された環境的危険クラスを分類すること。
• 手動による特徴量設計を不要とし、自動的な特徴抽出と分類を実現するため、ディープラーニングを活用すること。
• リアルな日常環境における転倒関連の環境的要因を高精度で検出するためのシステムの性能を評価すること。

提案手法

• 胸に装着したGoProカメラが、日常活動中に転倒リスクに関連する環境状態を記録する1人称視覚動画を撮影する。
• 個々の動画フレームからの視覚的特徴を自動抽出・低次元化・分類するため、独自に開発した畳み込みニューラルネットワーク（CNN）を訓練する。
• 勾配の変化や表面タイプを含む12種類の事前に定義された危険クラスのデータセットを用いてCNNを学習させる。
• 予測精度を最適化するために、トレーニング中に平均二乗誤差（MSE）を最小化する分類損失関数を用いる。
• フレームをリアルタイムで処理することで、移動中の即時の危険検出が可能になる。
• 限られた実世界データを前提とした一般化性能の向上を図るため、データ拡張とトランスファーラーニングの技術を適用する。

実験結果

リサーチクエスチョン

• RQ1 ウェアラブルな1人称視覚システムは、日常活動中にリアルタイムで環境的転倒リスクを正確に検出できるか？
• RQ2 CNNは、階段、縁石、不整地帯などの多様な環境的危険を1人称動画から効果的に分類できるか？
• RQ3 ウェアラブルカメラデータに対してエンドツーエンドのディープラーニングを適用した場合、どの程度の分類精度が達成できるか？
• RQ4 システムは、さまざまなタイプの転倒関連環境的危険に対してどの程度の性能を示すか？
• RQ5 バランスの乱れを引き起こす可能性のある微細な環境の変化を検出できるか？

主な発見

• 提案されたシステムは、環境的転倒リスクの分類において平均二乗誤差（MSE）8％を達成し、優れた予測性能を示した。
• CNNは、階段や斜面といった勾配関連の危険と、砂利や芝といった表面関連の危険を含む12種類の明確に区別された危険クラスを効果的に識別する能力を学習した。
• 胸に装着したGoProからの1人称動画が、バランスの乱れ発生時の環境状態に関する信頼できる視覚的証拠を提供した。
• エンドツーエンドのディープラーニングアプローチにより、手動による特徴量設計の必要がなくなり、耐障害性とスケーラビリティが向上した。
• システムは、自然的で日常的な環境におけるリアルタイムの転倒リスク検出の可能性を示した。
• 結果から、CNNを搭載したウェアラブル視覚システムは、高齢者の前向きな転倒予防に貢献できる可能性がある。