[論文レビュー] Automated Human Activity Recognition by Colliding Bodies Optimization-based Optimal Feature Selection with Recurrent Neural Network

Pankaj Khatiwada, Ayan Chatterjee+1 more|arXiv (Cornell University)|Oct 7, 2020

Context-Aware Activity Recognition Systems被引用数 7

ひとこと要約

本論文は、人間活動認識（HAR）システムのための新規な特徴選択手法として、コリージングボディーズ最適化（CBO）に基づく手法を提案し、再帰的ニューラルネットワーク（RNN）と組み合わせることで分類精度を向上させている。UCI HARデータセットのセンサデータから最適な特徴を抽出することで、従来手法よりも高い性能を達成し、深層学習における判別性の高い情報を保持しながら次元削減を実現するCBOの有効性を示している。

ABSTRACT

In smart healthcare, Human Activity Recognition (HAR) is considered to be an efficient model in pervasive computation from sensor readings. The Ambient Assisted Living (AAL) in the home or community helps the people in providing independent care and enhanced living quality. However, many AAL models were restricted using many factors that include computational cost and system complexity. Moreover, the HAR concept has more relevance because of its applications. Hence, this paper tempts to implement the HAR system using deep learning with the data collected from smart sensors that are publicly available in the UC Irvine Machine Learning Repository (UCI). The proposed model involves three processes: (1) Data collection, (b) Optimal feature selection, (c) Recognition. The data gathered from the benchmark repository is initially subjected to optimal feature selection that helps to select the most significant features. The proposed optimal feature selection is based on a new meta-heuristic algorithm called Colliding Bodies Optimization (CBO). An objective function derived by the recognition accuracy is used for accomplishing the optimal feature selection. Here, the deep learning model called Recurrent Neural Network (RNN) is used for activity recognition. The proposed model on the concerned benchmark dataset outperforms existing learning methods, providing high performance compared to the conventional models.

研究の動機と目的

• 高コストな計算とAAL（アームドアシストドリビング）システムにおけるシステム複雑性を低減すること。
• パーソナルヘルスケア環境におけるスマートセンサデータを用いた人間活動認識（HAR）の精度と効率を向上させること。
• 活動分類に必要な判別的情報を保持しつつ、特徴次元を削減する最適な選択プロセスを実現すること。
• メタヒューリスティック最適化アルゴリズム（CBO）を深層学習（RNN）と統合し、エンドツーエンドのHAR性能を向上させること。
• 提案手法を公開済みのベンチマークデータセット（UCI HAR）で評価し、既存の最先端手法と比較すること。

提案手法

• 提案手法は、スマートフォンセンサから収集されたUCI人間活動認識データセットをHARの入力として用いる。
• 認識精度に基づく目的関数を導出することで、新規なメタヒューリスティック最適化アルゴリズムであるコリージングボディーズ最適化（CBO）を用いて最適な特徴選択を実施する。
• CBOアルゴリズムは、空間内での物体の物理的衝突ダイナミクスを模倣することで、最良の特徴サブセットを繰り返し探索する。
• 選択された特徴は、センサデータ内の時間的依存関係を活用するため、再帰的ニューラルネットワーク（RNN）に供給され、シーケンスモデリングと活動分類が行われる。
• CBOの目的関数は、RNNモデルの分類精度として定義され、最良の性能を示す特徴サブセットに向けた最適化プロセスを駆動する。
• モデルは、UCI HARベンチマークデータセット上で標準的な交差検証プロトコルを用いて訓練および検証される。

実験結果

リサーチクエスチョン

• RQ1 CBOのようなメタヒューリスティック最適化アルゴリズムは、特徴次元を削減しながらもHAR分類精度を維持または向上させることができるか？
• RQ2 CBOに基づく特徴選択とRNNモデルの統合は、従来の特徴選択および学習手法と比較して、HARタスクにおいてどのように異なるか？
• RQ3 最適な特徴選択は、HARにおける深層学習モデルの計算効率と性能にどのような影響を及えるか？
• RQ4 提案されたCBO-RNNフレームワークは、UCI HARベンチマークデータセットにおいて、既存の最先端HARモデルを上回る性能を示すか？
• RQ5 認識精度に基づく目的関数は、CBOアルゴリズムが最適な特徴サブセットに到達するように、どの程度効果的に導くか？

主な発見

• 提案されたCBOベースの特徴選択手法は、ベースライン手法と比較して、UCI HARデータセット上でのRNNモデルの認識精度を顕著に向上させた。
• モデルは、最も情報量の多い特徴のみを選択することで、精度を損なわず計算負荷を低減した。
• CBOとRNNの統合により、センサシーケンスからの人間活動認識において、より優れた一般化性能と耐障害性が得られた。
• 結果から、CBOアルゴリズムが特徴空間を効果的に探索し、優れた性能を示すサブセットに収束することが示された。従来のフィルタ法やラッパー法を上回った。
• 提案されたフレームワークは、スマートヘルスケアおよびアームドアシストドリビングシステムにおけるリアルタイムかつ低複雑性のHAR応用に強く有望である。
• モデルの性能は従来のモデルを上回り、メタヒューリスティック最適化と深層学習を統合する手法がHARにおいて有効であることを確認した。