Unknown On-body Device Position Detection Based on Ensemble Novelty Detection
要約
- 研究タイトル: 未知の装着位置検出に基づく着用デバイスの位置検出
- 研究の背景: 現在の研究では、既知のデータセット内の分類認識に焦点が当てられており、未知の位置の処理はまだ不可能である。
- 提案手法: アンサンブル学習原則に基づく新しい検出方法を提案し、複数の弱い新奇検出器の判断の集まりから最終結果を得る。
- 関連研究: 着用デバイスの位置認識に関する既存の研究では、事前に定義された位置のみに焦点が当てられており、未知の位置は認識できないままである。
- アプローチ: 新奇検出技術を使用して未知の位置を検出することを目指している。この技術は、画像、テキスト、センサーデータなどに適用されている。
- 提案手法の評価: 3つのデータセットとさまざまな条件での評価により、提案手法の有効性と閾値推定手法の確認を行う。
- 結論: 複数の弱い検出器を使用したアンサンブル新奇検出手法により、未知の位置検出の精度が向上することが示唆された。
- アンサンブル新規性検出の特性を決定するための予備実験が行われた。3つのデータセットが収集され、3軸加速度センサーの信号から構成されている。位置認識のために設計された特徴が使用され、その評価パラメータとして正規化された精度（NA）が使用された。このパラメータは、真陽性率（TPR）と真陰性率（TNR）の平均であり、グローバル精度（GA）と比較して、未知と既知のサンプルの数に差がある場合に効果的と考えられている。アンサンブル新規性検出の影響について検討され、Tmaxの推定方法が提案された。また、既知クラスの数の影響についても検討され、異なる既知の位置の組み合わせでTmaxを変更した。最後に、Tmaxを推定するアルゴリズムが提案された。
- 既知の位置を用いたLOPO-CV方式の計算に基づいて、提案されたアンサンブル新規性検出手法の基本的な性能が評価されました。提案手法は、3つのデータセットを使用して評価され、結果と議論が提供されました。また、弱い検出器の数（S）とLOFの汚染度（cont）のパラメータは、それぞれ100と0.05に設定されました。また、提案手法の基本的な検出性能は、表2に示された3つのデータセットを使用して評価されました。また、アンサンブル新規性検出とTmax推定手法の効果は、2つのパラメータを評価することにより評価されました。さらに、アンサンブル新規性検出と提案されたTmax推定手法の有効性が評価されました。さらに、提案されたTmax推定手法の有効性が評価されました。また、各データセットにおけるアンサンブル新規性検出の効果が示されました。また、特徴の影響についても検証され、脆弱な検出器の数に対する堅牢性が示されました。そして、新規性の閾値（汚染度）に対する堅牢性が示されました。最後に、提案された手法の適用可能性と今後の課題について言及されました。
- Yang, and J. J. Pan は2008年にIEEE Trans. Knowl. Data. Eng.に論文を発表
- 2016年にJ. Med. Syst.にGuo, Zhou, Sunらが論文を発表
- 2018年にPattern Recognit.にDomingues, Filipponeらが論文を発表
- 2018年にIEEE J. Sel. Top. Appl. Earth Obs. Remote Sens.にAlSuwaidi, Grieveらが論文を発表
- 2014年にSensorsにShoaib, Boschらが論文を発表
- Mitsuaki Saitoは東京農工大学でコンピュータサイエンスの学士号を取得しており、現在同大学の修士課程に在籍
- Kaori Fujinamiは早稲田大学で電気工学の学士・修士号を取得し、その後コンピュータサイエンスの博士号を取得。現在、東京農工大学で教授を務める
評価
論文タイトル：Unknown On-body Device Position Detection Based on Ensemble Novelty Detection
論文掲載雑誌名：Sensors and Materials, Vol. 32, No. 1 (2020) 27–40（MYU Tokyo）
論文発行年月：202001
# 新規性
- スマートフォン等の装着位置認識において、訓練データに含まれない「未知の位置」を検出する新奇検出(novelty detection)を、アンサンブル学習の原理で行う手法を提案
- ランダムフォレストに倣い、特徴部分集合と訓練サンプルをランダム選択した複数の弱新奇検出器(LOFベース)の判定を統合。単純多数決ではなく「全体精度(NA)を最大化する判定閾値T」を導入した点が新規
- さらに、未知クラスを評価データに含められない実運用を想定し、既知クラスの訓練サンプルのみから最適閾値Tmaxを推定するアルゴリズム(Test推定)を考案。ユーザの追加負担なしに機能する設計
# 言及されている全ての関連研究との相違点
- 装着位置認識の先行（Fujinami[2][6]、Alanezi & Mishra[7]、Shi[11]、Sztyler[13]、Wiese[14]、Yang & Wang[15]等、表1）はいずれも事前定義された既知位置への多クラス分類であり、未知位置を既知位置に誤認識する問題を抱える点を指摘
- 新奇検出の人間行動認識への応用（Yin[19]、Guo[20]）や、著者ら自身の先行[9]（単一新奇検出器でone-class SVM/LOF/isolation forestを比較しLOFが有望だが精度不足と結論）を発展させ、LOFベース検出器のアンサンブル化で精度向上を図る点で差別化
# 有効性
- 3軸加速度の3データセット（A:70名/B:20名/C:10名）で評価。データセットAでT=63のとき NA=0.864（単一検出器0.678比で+0.186、多数決T=50の0.818比でも+0.046）と、適切なT設定で大幅改善を確認
- leave-p-persons-out交差検証で、既知位置の組合せ・弱検出器数S(20/50/100)・LOFのcontamination(0.01/0.05/0.10)を変えて頑健性を検証。データセットA・BではTest推定がTmaxに近くTmv(多数決)を上回り、Sの増加でNA向上、contには鈍感と確認
- ただしデータセットC（被験者5名）では訓練データ不足でTest推定の前提（k個とk-1個の既知位置でTmaxが近いという仮定）が成立せず、多数決を下回るという限界がある。共通有効な特徴集合の探索も今後の課題
# 信頼性
- Sensors and Materials（査読付き）掲載。JSPS科研費(18H03228)の支援を受け、3データセット・複数パラメータでの体系的評価と統計（標準偏差付き）を提示し再現性に配慮（scikit-learn 0.20.3、自作2＋公開1データセット）
- 一方、被験者数が少ないデータセットでは提案推定法が劣化することを著者も明示しており、効果は条件依存。人間行動認識・転倒検知等への一般化適用は「今後検証」段階にとどまる
和訳
![]()
1 / 1
100%
付箋を貼る場所をクリックしてください
