[論文レビュー] From User-independent to Personal Human Activity Recognition Models Exploiting the Sensors of a Smartphone

Pekka Siirtola, Heli Koskimäki+1 more|arXiv (Cornell University)|May 29, 2019

Context-Aware Activity Recognition Systems参考文献 7被引用数 5

ひとこと要約

本稿では、最初にセンサーフュージョンを用いて個人データを非侵襲的にラベル付けし、その後単一センサーユーザー特化型の軽量モデルを訓練することで、効率的で高精度なスマートフォンベースの行動認識手法を提案する。このアプローチは、10件中9件のケースで従来のユーザー非依存モデルを上回る精度を達成し、LDAおよびQDA分類器を用いることで平均で3–4%の精度向上を実現した。

ABSTRACT

In this study, a novel method to obtain user-dependent human activity recognition models unobtrusively by exploiting the sensors of a smartphone is presented. The recognition consists of two models: sensor fusion-based user-independent model for data labeling and single sensor-based user-dependent model for final recognition. The functioning of the presented method is tested with human activity data set, including data from accelerometer and magnetometer, and with two classifiers. Comparison of the detection accuracies of the proposed method to traditional user-independent model shows that the presented method has potential, in nine cases out of ten it is better than the traditional method, but more experiments using different sensor combinations should be made to show the full potential of the method.

研究の動機と目的

• 別々のデータ収集セッションを要しない、個人向け行動認識モデルを構築するための手法を開発すること。
• 初期のセンサーフュージョンによるラベル付けの後、軽量な単一センサーモデルを用いることで、計算負荷とエネルギー消費を低減すること。
• 通常のスマートフォン利用中に収集したユーザー固有のデータを活用し、従来のユーザー非依存モデルよりも精度を向上させること。
• 複数の被験者および分類器を対象に性能を評価し、24/7のスマートフォンデプロイメントにおける実用性を確認すること。

提案手法

• 加速度計および磁気計信号から得られる56次元の特徴量（時間領域および周波数領域）を用い、重力成分を二乗和正規化により除去することで、センサーフュージョンに基づくユーザー非依存モデルを訓練する。
• ストリーミングデータをリアルタイムで分類し、その予測結果をラベルとして用いて、通常使用中の非侵襲的かつ継続的な個人用トレーニングデータ収集を実現する。
• 加速度計データの大きさから抽出した19次元の特徴量（標準偏差、最小値/最大値、百分位数のずれなど）のみを用いて、単一生産ユーザー特化型モデルを訓練する。
• 各モデルの最も説明力の高い特徴量を保持するために、逐次前向き選択法（SFS）を用いた特徴選択を実施する。
• アクティビティ遷移時の誤分類を低減するため、3つの連続する1秒間ウィンドウにおける多数決によるスムージング処理を分類結果に適用する。
• 性能評価のために、線形判別分析（LDA）および2次判別分析（QDA）の2種類の分類器を用いる。

実験結果

リサーチクエスチョン

• RQ1 通常のスマートフォン利用中に、別々のデータ収集セッションを要せず、スマートフォンのセンサーデータのみを用いて、ユーザー特化型の行動認識モデルを訓練できるか？
• RQ2 センサーフュージョンによるラベル付けとその後の単一生産パーソナライズーションという二段階モデルが、従来のユーザー非依存モデルと比較して、どの程度精度を向上させるか？
• RQ3 本手法の性能は、被験者や分類器（LDA対QDA）の種別によってどのように変動するか？
• RQ4 初期のセンサーフュージョンモデルによるラベル品質が、最終的なユーザー特化型モデルの精度に与える影響はどの程度か？

主な発見

• 提案手法は、10件中9件のケースで従来のユーザー非依存モデルを上回る精度を達成し、LDAを用いる場合の平均向上は4.1%、QDAを用いる場合の平均向上は3.6%であった。
• 被験者別に見た精度向上幅は、LDA（被験者1：1.6%）からQDA（被験者5：12.8%）まで広範であり、強力なパーソナライズの可能性を示している。
• センサーフュージョンに基づくユーザー非依存モデルは、平均でLDAで85.6%、QDAで86.6%の精度を達成したが、被験者ごとの性能に顕著なばらつきが見られ、ラベル品質の制限が顕在化していた。
• 平均向上幅は限定的ではあるが、本手法は、スマートフォンのセンサーデータのみを用いて、非侵襲的かつ継続的な個人向けモデル学習が可能であることを示している。
• 最終段階のユーザー特化型モデルの計算コストが低いため、24/7のデプロイメントに適しているが、初期モデルのラベル誤りが最大の向上幅を制限している。
• 今後の課題として、追加のセンサーコンビネーションやより大きなデータセットを用いた検証が必要であり、そのことで本手法の潜在能力を十分に発揮できるようになると期待される。