<< TOPへ
Effect of Combinations of Sensor Positions on Wearable-sensor-based Human Activity Recognition
・人間の活動認識で、ウェアラブルセンサーの位置とその組み合わせの影響を調査。加速度センサーの組み合わせを調査し分類性能を確認したところ、特に、左右の手首、右上腕部、右大腿部からの4つのセンサーの組み合わせが最も効果的であるとのこと。2023年。
・人間活動認識(HAR)という言葉があること、初めて知った
・こういうのって、データが公開されているけれど、やっぱりコードは公開されないのかな。GitHubにアップしてGoogle Colabで再現ができると有益だと思う。参照されるのを控えたいのかな。CNN、RNN、Transformerなど見知ったものがあるので、なおさら読んでいる方としては触りたくなってしまう
・最近Arxivなどで公開されている論文はコードが一緒になっていることが多いので、徐々にこういうことも広まってくるのかな
・トレーニングデータとテストデータのクロスバリデーション（CV手法：交差検証）は、leave-one-preson-outをつかっている。わからなかったので調べた（以下）
Leave-One-Out (LOO) とは、統計学や機械学習で使用されるクロスバリデーション（交差検証）の手法の一つです。この手法は、モデルの汎化能力を評価するために用いられます。具体的には、データセットの中から一つだけデータポイントをテスト用データとして取り除き、残りのすべてを訓練用データとして使用します。このプロセスをデータセット内の各データポイントに対して繰り返し、モデルの性能を平均することで、より一般化された性能評価を得ることができます。
LOOは非常に計算コストが高い手法ですが、小さなデータセットに対しては非常に有効な手法とされています。各イテレーションでほぼ全てのデータを訓練に使用するため、データの利用効率は非常に高いです。しかし、データセットが大きくなると、その計算コストの高さが問題となる場合があります。そのため、大規模なデータセットに対しては、より計算効率の良いクロスバリデーション手法（例えば、k-分割交差検証）が一般的に使用されます。
なるほど。
・センサーの数が多いことは必ずしも分類性能が向上するとは限らないは一般的にも理解できる。対象が人の活動の認識ではない場合には、また条件が変わってくる（十分なセンサーデータの数がかわってくる）と思う
・処理速度において、CNN-Transformerモデルは処理時間がほぼ一定、というのが驚きだった。ネットワークの設計によるだろうから自明なんだろうけど、Deep Learningの種類によって判定速度は違うのだなぁ。
・となると、リアルタイム性が求められるアプリケーションは、分類制度よりも判定速度に重きを置いたりもするのだろうなぁ
・先のAnbientとの組み合わせでのアプリケーションを考えるとよいかもしれない。個人の姿勢、運動量をセンスしながら、環境ディスプレイを変えていく。それは普段の生活だけでなく、屋内のスポーツやトレーニングなどのシーンを考えると面白いかも。個人のモチベーションの強化を目的としたり。
https://paper.path-finder.jp/daf6fccf9aa6d5d43701e1cc327a5db80d563b9d0a7924336e00b874e20c7a58
https://sensors.myu-group.co.jp/sm_pdf/SM3315.pdf