行動推定用センサデータの情報圧縮

全文

(1)行動推定用センサデータの情報圧縮著者 URL. 槙野圭一 http://hdl.handle.net/10236/12416.

(2) ２０１３年度修士論文要旨. 行動推定用センサデータの情報圧縮関西学院大学大学院理工学研究科情報科学専攻岡留研究室. 槙野圭一. 現在，センサネットワークの分野では，加速度センサーを用いた日常生活行動を解析する研究が多く行われており，7 割を越える高い識別率を導き出している研究も多い．センサネットワークの分野には，「消費電力量を極力少なくする」といった課題が当初からある．この課題への取り組みとして，消費電力量と送信するデータ量に正の相関関係があることを利用し，送信するデータ量を減らして消費電力量を削減する研究も多く行われている．また，消費電力量を削減する研究の一つに，人間の動きから電気供給を行い，数 bit/秒の少ないデータを転送するセンサノードの研究が行われている．そこで本研究では，数 bit/ 秒の少ないデータしか送ることのできないセンサノードを使用すると仮定した場合に，少ない情報量で，実世界でのデキゴトを識別するための手法を提案する．最初に，3 軸加速度センサによって得られた高サンプリングレートの行動データを等間隔の低サンプリングレートのデータへと変換し，そのデータに対してクラスタリングをかけ量子化を行う．さらにそのデータに対してホワイトニングを用いて次元圧縮を行うことによってデータの低ビット符号化を行う．この手順を実行する際，量子化の方法・特徴量算出方法には様々な手法が存在し，また低サンプリングレート化の段階・量子化による圧縮具合の段階の兼ね合いにも無限の組み合わせがある．その組み合わせを可能な限り実験的に試行し，どの量子化方法，低サンプリングレート化と量子化の組み合わせがよいのか検討していく．識別データ・学習データには，人間行動理解のための装着型センサーによる大規模データベース構築を目的とした研究団体 HASC が収集したデータを用いた．また，学習器には，ニューラルネットワーク・SVM・K-NN 法(k=3)の 3 つを用いた．その結果，元データでの識別.

(3) 結果が 76.43%であったデータをサンプリングレート 50Hz，量子化による値数を 50 段階，特徴次元数を 15 次元へと圧縮しても 70%をこえる識別結果を得ることが確認できた．また，このデータとは別に個人データの取得も行い，そのデータに対しての識別結果を得た.

(4)