文献

J-GLOBAL ID：201802221261422688   整理番号：18A0376242

マルチモーダル信号を用いた深層ニューラルネットワークに基づく大規模実時間記録データセットによる日常活動認識

Daily Activity Recognition with Large-Scaled Real-Life Recording Datasets Based on Deep Neural Network Using Multi-Modal Signals

著者 (5件)： HAYASHI Tomoki (Graduate School of Information Science, Nagoya University) ,  NISHIDA Masafumi (Graduate School of Information, Shizuoka University) ,  KITAOKA Norihide (Graduate School of Science and Technology, Tokushima University) ,  TODA Tomoki (Information Technology Center, Nagoya University) ,  TAKEDA Kazuya (Graduate School of Information Science, Nagoya University)
資料名： IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences (Web)  (IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences (Web))
巻： E101.A  号： 1  ページ： 199-210(J-STAGE)  発行年： 2018年 
JST資料番号： U0466A  ISSN： 1745-1337  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 本研究では,スマートフォンベースの生活習慣モニタリングシステムの開発に向けて,スマートフォンと小型カメラを用いた実際条件の下で,屋内と内外の両方の19件の日毎活動を含めた記録による1,400時間以上のデータを収集している。次に,環境音信号,3軸加速度信号,および手作業での注釈された活動タグからなる巨大な人間活動データベースを構築する。構築データベースを使用して,様々な分野で優れたパフォーマンスを達成したディープニューラルネットワーク(DNN)の活動認識性能を評価し,DNNベースの適応技術を適用して,少量の被験者固有のトレーニングデータだけで性能を改善する。筆者らは実験的に以下を実証している,1)DNNのある環境音と3軸加速度信号を含む,マルチモーダル信号の使用は,活動認識性能の改善の為に効率的であり,2)DNNは,曖昧な活動の混合から指定された活動を区別でき,3)DNNベースの適応法は,少数被験者特有のトレーニングデータが利用可能の場合でさえも効率的である。(翻訳著者抄録)

シソーラス用語： 通信方式 ,  通信信号 ,  *ニューラルネットワーク ,  *集合 ,  *実時間処理 ,  *日常生活動作 ,  *認識 ,  スマートフォン ,  監視装置 ,  写真カメラ ,  音響 ,  加速度 ,  データベース
準シソーラス用語： マルチモーダル通信 ,  *深層ニューラルネットワーク ,  *大規模データセット ,  *活動認識 ,  小型カメラ ,  環境音

著者キーワード (5件)： human activity recognition ,  activity of daily living ,  database ,  deep neural networks ,  adaptation

分類 (3件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z) ,  データベースシステム  (JD03030U)

引用文献 (40件)：

• [1] C. Gurrin, A.F. Smeaton, and A.R. Doherty, “Lifelogging: Personal big data,” Foundations and Trends® in Information Retrieval, vol.8, no.1, pp.1-125, 2014. 10.1561/1500000033
• [2] M.P. Rajasekaran, S. Radhakrishnan, and P. Subbaraj, “Elderly patient monitoring system using a wireless sensor network,” Telemedicine and e-Health, vol.15, no.1, pp.73-79, 2009. 10.1089/tmj.2008.0056
• [3] Q. Lin, D. Zhang, X. Huang, H. Ni, and X. Zhou, “Detecting wandering behavior based on GPS traces for elders with dementia,” Control Automation Robotics Vision, pp.672-677, IEEE, 2012. 10.1109/icarcv.2012.6485238
• [4] Y.T. Peng, C.Y. Lin, M.T. Sun, and K.C. Tsai, “Healthcare audio event classification using hidden Markov models and hierarchical hidden Markov models,” IEEE International Conference on Multimedia and Expo, pp.1218-1221, IEEE, 2009. 10.1109/icme.2009.5202720
• [5] Y. Liang, X. Zhou, Z. Yu, and B. Guo, “Energy-efficient motion related activity recognition on mobile devices for pervasive healthcare,” Mobile Networks and Applications, vol.19, no.3, pp.303-317, 2014. 10.1007/s11036-013-0448-9

タイトルに関連する用語 (6件)： マルチモーダル ,  深層ニューラルネットワーク ,  大規模 ,  実時間 ,  記録データ ,  活動認識