センサデータによる行動認識のためのベイズ的隠れマルコフモデルの拡張と適用

• Item type: Journal(1)
• 公開日: 2017-10-15
• タイトル: センサデータによる行動認識のためのベイズ的隠れマルコフモデルの拡張と適用
• タイトル / 言語: en
• タイトル: Daily Activity Recognition from Sensor Data Based on Nonparametric Bayesian HMM
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [特集：ユビキタスコンピューティングシステム（Ⅵ）] センサデータ，行動認識，隠れマルコフモデル，ディリクレ過程，ノンパラメトリックベイズ
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 関西学院大学
• 著者所属: 関西学院大学
• 著者所属: 関西学院大学
• 著者所属(英): en
• 著者所属(英): Kwansei Gakuin University
• 著者所属(英): en
• 著者所属(英): Kwansei Gakuin University
• 著者所属(英): en
• 著者所属(英): Kwansei Gakuin University
• 著者名: 菅野, 隼; 松重, 龍之介; 岡留, 剛
• 著者名(英): Jun, Kanno; Ryunosuke, Matsushige; Takeshi, Okadome
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: センサデータから日常生活行動を分類することを目的として，10から100個程度の比較的少数の学習データから高い精度で時系列分類する教師あり学習手法を提案する．具体的には，Tied-Mixture Hidden Markov Model（TM-HMM）をベイズモデルに拡張し，また，HMMの潜在変数の状態数を自動決定するInfinite Hidden Markov Model（I-HMM）を援用した手法，BTM-HMMを提案する．TM-HMMは，時系列分類モデルであるHMMをクラスごとに用意し，各クラスのHMMの出力を無限混合としたモデルである．本研究では，パラメータの事前分布としてディリクレ過程を導入しTM-HMMをベイズ的に取り扱い，事後確率の最大化により，HMMの状態数や混合分布の要素数を自動的に決定する．また，提案手法は，日常生活行動にともなう加速度データから，「歩く」や「走る」といった周期的な動作と，「椅子に座る」などの非周期的な動作をランダムフォレストにより選別し，それぞれのタイプに対して異なる特徴量を用いてBTM-HMMで多クラス分類を行う．比較的少数の学習データによる学習において，ベースラインとするSVM（Support Vector Machine）やKLR（Kernel Logistic Regression）より高く，またTM-HMMと同等以上の識別率を示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: The learning method proposed here constructs a classifier that classifies daily living activities from sensor data that consist of 10 to 100 samples for each of activity classes. The method uses a model, BTM-HMM, that extends the Tied-Mixture Hidden Markov Model (TM-HMM) to a Bayes model by introducing a Dirichlet process into parameters as their priors and determines the number of components in the mixture model by maximizing the posteriors. The BTM-HMM also assumes the Infinite Hidden Markov Model (I-HMM) that determines the number of states in HMM by introducing a Dirichlet process into latent variables as their priors. Furthermore, the learning method divides the daily activities into two types: the periodic activities such as “walk” and “run” and the aperiodic activities such as “sit on a chair.” For learning, it uses different features for the two types of the activities and it infers the activity type of the test data by the Random Forests. The experiments using acceleration data show that the precisions and recalls of multi-class classification by the method are higher than those by SVM and KLR.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 58, 号 10, p. 1688-1700, 発行日 2017-10-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764