[論文レビュー] A Multiple Source Framework for the Identification of Activities of Daily Living Based on Mobile Device Data.

Ivan Miguel Pires, Nuno M. García+2 more|arXiv (Cornell University)|Oct 31, 2017

Context-Aware Activity Recognition Systems参考文献 34被引用数 3

ひとこと要約

本論文では、モーション、磁気、音響、位置情報の4つの既成品のモバイルデバイスセンサーを用いた複数ソースフレームワークを提案する。人工ニューラルネットワークを用いたデータ統合により、標準的な日常生活動作（ADL）の分類で85.89%～100%の正確性を達成し、環境同定でも86.50%の正確性を示した。これは、センサーフュージョンによる強力な性能を示している。

ABSTRACT

Most mobile devices include motion, magnetic, acoustic, and location sensors. They allow the implementation of a framework for the recognition of Activities of Daily Living (ADL) and its environments, composed by the acquisition, processing, fusion, and classification of data. This study compares different implementations of artificial neural networks, concluding that the obtained results were 85.89% and 100% for the recognition of standard ADL. Additionally, for the identification of standing activities with Deep Neural Networks (DNN) respectively, and 86.50% for the identification of the environments with Feedforward Neural Networks. Numerical results illustrate that the proposed framework can achieve robust performance from the data fusion of off-the-shelf mobile devices.

研究の動機と目的

• 一般的なモバイルデバイスのセンサーを用いて、拡張可能でマルチソースの日常生活動作（ADL）同定フレームワークを開発すること。
• ADL同定および環境分類におけるさまざまな人工ニューラルネットワークアーキテクチャの性能を評価・比較すること。
• モーション、磁気、音響、位置情報センサーからのセンサーデータ統合が、認識正確性の向上に与える影響を評価すること。
• 特別なハードウェアを用いずに、市販のモバイルデバイスを用いて現実世界のADL監視が可能であることを実証すること。

提案手法

• 標準的なモバイルデバイスの複数のセンサー（モーション、磁気、音響、位置情報）からデータを収集する。
• センサーデータを前処理し、時間的に同期させることで、異なるモodal ー トの間で一貫した特徴抽出を可能にする。
• 統合されたセンサーデータを用いて、分類のための人工ニューラルネットワーク（DNNおよびフィードフォワードニューラルネットワークを含む）を学習させる。
• データ統合は特徴レベルで実施され、分類の前に複数のセンサーからの入力を統合する。
• 教師あり学習を用い、ラベル付きのADLおよび環境データを用いてモデルを学習・検証する。
• 標準的な分類指標（正確性を含む）を用いて、複数のADLカテゴリにおける性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 複数のモバイルデバイスセンサーからのデータ統合は、標準的な日常生活動作（ADL）の認識にどの程度効果的か？
• RQ2 DNNやフィードフォワードニューラルネットワークなどの異なるニューラルネットワークアーキテクチャのADL分類における相対的性能はいかほどか？
• RQ3 市販のモバイルデバイスは、特別なハードウェアを用いずに、高い正確性で行動および環境を同定できるか？
• RQ4 モーション、磁気、音響、位置情報センサーからのデータ統合は、単一ソースアプローチと比較して認識正確性にどの程度の影響を与えるか？

主な発見

• 人工ニューラルネットワークを用いたフレームワークは、標準的な日常生活動作（ADL）の認識で85.89%の正確性を達成した。
• 立ち作業の分類では、ディープニューラルネットワーク（DNN）モデルが100%の認識正確性を達成した。
• フィードフォワードニューラルネットワークは、行動が実施された環境を同定する際、86.50%の正確性を達成した。
• 複数のセンサータイプからのデータ統合は、単一センサーアプローチと比較して認識性能を顕著に向上させた。
• 提案されたフレームワークは、標準的なモバイルデバイスセンサーのみを用いても、頑健な性能を示しており、実世界への展開に強い可能性を示している。
• 結果から、効果的なデータ統合とニューラルネットワークモデリングを組み合わせることで、市販のモバイルデバイスが高精度なADL認識を実現できることが確認された。