ノイズの多いモバイルセンサーデータのための冗長性認識CNNと新しいプーリングによる堅牢なアクティビティ認識

科学分野:

• コンピューターサイエンス
• 機械学習
• 信号処理

背景:

• ヒューマンアクティビティ認識（HAR）は、モバイルヘルスおよびIoTアプリケーションにとって重要です。
• 既存の方法は、センサーデータのノイズや特徴の識別においてしばしば苦労します。
• スマートフォン加速度計はHARのための豊富なデータを提供しますが、堅牢な処理が必要です。

研究 の 目的:

• スマートフォン加速度計データを使用したHARのための堅牢な畳み込みニューラルネットワーク（CNN）アーキテクチャを開発すること。
• 特徴の識別とノイズ耐性を向上させるための新しいプーリングメカニズムを導入および評価すること。
• HARのためのヒストグラムベースの画像エンコーディングの有効性を調査すること。

主な方法:

• 2つの新しいプーリングメカニズム、Extrema Contrast Pooling（ECP）とCenter Minus Variation（CMV）を提案しました。
• 生のセンサー ストリームに1D CNNを実装し、ヒストグラムベースの画像エンコーディングで2D CNNを実装しました。
• 有界プーリング出力のために、入力データを[0, 1]に正規化しました。
• さまざまなコンポーネントの貢献を評価するために、アブレーションスタディを実施しました。

主要な成果:

• ヒストグラムエンコーディングを用いた2D CNNシステムは、WISDMデータセットで最大96.84%の重み付き分類精度を達成しました。
• 提案されたプーリング層（ECPおよびCMV）は、一貫したパフォーマンスの向上とノイズ耐性を示しました。
• ヒストグラムエンコーディングは最も顕著なパフォーマンス向上をもたらし、次いでECPとCMVの組み合わせが続きました。
• システムは、さまざまなノイズ条件（ガウス、ソルトアンドペッパー、混合）下でパフォーマンス低下が減少しました。

結論:

• 提案されたCNNアーキテクチャは、新しいプーリングとヒストグラムエンコーディングにより、モバイルHARのための堅牢で正確なソリューションを提供します。
• 冗長性認識プーリングとヒストグラムベースの表現は、安定した実世界のHARシステムを開発するのに有益です。
• 開発された方法は、ノイズの多い環境におけるベースラインモデルおよび従来のプーリング技術を大幅に上回ります。