Development of Accelerator-based Activity Recognition Technique Robust for Missing Data

基于加速器的针对缺失数据的鲁棒性活动识别技术的开发

• 批准号: 23700230
• 负责人: OMURA Ren
• 金额: $ 2.83万
• 依托单位: Toyohashi University of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2011
• 资助国家: 日本
• 起止时间: 2011 至 2012
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-23700230/
• 关键词: 行動認識; ロバスト性向上; ウェアラブルコンピュータ; センサネットワーク; 欠損データ補完; パターン認識; センサデータ補完; 時系列予測; 特徴量補完

This study examined the activity recognition technique that can perform even when a part of sensor data is missing. From the process of pattern recognition technique, which is used in most existing activity recognition techniques, completion of missing sensor data, completion of missing feature value, classification with remaining features are examined. For the completion of missing sensor data, the sequential data prediction with the ARAR model is used. For the completion of missing feature value, multiple regression and kernel regression are exploited. For the classification with remaining features, multiple classifiers are learned with sensor data artificially omitted on each sensor, and are selected appropriately in the situation of the loss of sensor. From some experiments, the completion of missing sensor data or feature value achieves better performance than coping with the selection of classifiers in many cases. In addition, the appropriate method differs depending on the position of missing sensor. Then, it was found that using appropriate method for the position of missing sensor achieves almost same performance as no missing case or degradation of about 0.03 point in f-measure for coping with missing sensor data.

这项研究考察了即使在部分传感器数据丢失的情况下也可以执行的活动识别技术。从现有的大多数活动识别技术中使用的模式识别技术的过程中，研究了缺失传感器数据的补齐、缺失特征值的补齐、剩余特征的分类。对于缺失传感器数据的补全，采用ARAR模型的序贯数据预测。对于缺失特征值的补齐，采用了多元回归和核回归的方法。对于具有剩余特征的分类，通过在每个传感器上人为地省略传感器数据来学习多个分类器，并在传感器丢失的情况下适当地选择分类器。一些实验表明，在很多情况下，对缺失的传感器数据或特征值进行补齐比处理分类器的选择具有更好的性能。此外，根据缺失传感器的位置不同，合适的方法也不同。结果表明，对缺失传感器的位置采用适当的定位方法，处理缺失传感器数据的性能几乎与没有缺失情况或f-度量退化约0.03个点的性能相当。

项目成果

行動の変化点検出による加速度ベース行動認識のレスポンス時間短縮

通过检测行为变化点缩短基于加速度的行为识别的响应时间

• 发表时间: 2011
• 作者: 笹渕弘輝;森岡一幸;内田 稜真,堀野 豊人,大村 廉;内田稜真，堀野豊人，大村廉;Ryoma Uchida and Ren Ohmura;内田 稜真,大村 廉;内田稜真，大村廉;Ryoma Uchida and Ren Ohmura;山崎大河,仲達俊介,忻欣;Ren Ohmura and Wataru Takasaki;山崎大河，仲達俊介，忻欣;高崎 航,大村 廉
• 通讯作者: 高崎 航,大村 廉

ARARアルゴリズムによる欠損データ補完を用いたウェアラブルセンサ行動認識技術の耐故障性向上

利用 ARAR 算法完成缺失数据来提高可穿戴传感器行为识别技术的容错能力

• 发表时间: 2013
• 作者: 笹渕弘輝;森岡一幸;内田 稜真,堀野 豊人,大村 廉;内田稜真，堀野豊人，大村廉
• 通讯作者: 内田稜真，堀野豊人，大村廉

ウェアラブルセンサを用いた行動認識技術の欠損特徴量補完による耐故障性向上

通过使用可穿戴传感器补充行为识别技术中缺失的功能来提高容错能力

• 发表时间: 2012
• 作者: 笹渕弘輝;森岡一幸;内田 稜真,堀野 豊人,大村 廉;内田稜真，堀野豊人，大村廉;Ryoma Uchida and Ren Ohmura;内田 稜真,大村 廉
• 通讯作者: 内田 稜真,大村 廉

Preliminary Evaluation of Feature Level Compensation for Missing Data in Multi-sensor Activity Recognition

多传感器活动识别中缺失数据特征级补偿的初步评估

• 发表时间: 2012
• 作者: 笹渕弘輝;森岡一幸;内田 稜真,堀野 豊人,大村 廉;内田稜真，堀野豊人，大村廉;Ryoma Uchida and Ren Ohmura
• 通讯作者: Ryoma Uchida and Ren Ohmura

Response Time Improvement in Accelerometer-Based Activity Recognition by Activity Change Detection

通过活动变化检测改进基于加速度计的活动识别的响应时间

• 发表时间: 2011
• 作者: 笹渕弘輝;森岡一幸;内田 稜真,堀野 豊人,大村 廉;内田稜真，堀野豊人，大村廉;Ryoma Uchida and Ren Ohmura;内田 稜真,大村 廉;内田稜真，大村廉;Ryoma Uchida and Ren Ohmura;山崎大河,仲達俊介,忻欣;Ren Ohmura and Wataru Takasaki
• 通讯作者: Ren Ohmura and Wataru Takasaki