Hasc勉強会報告

1,984 views

Published on

2015年1月20日に行われた人間行動センシング[HASC]ミーティングでの,HASC勉強会報告のスライドです.

Published in: Science
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,984
On SlideShare
0
From Embeds
0
Number of Embeds
879
Actions
Shares
0
Downloads
6
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide
  • ユビキタス:ラテン語で「どこにでも存在する」という意味
  • 発表論文の選定に関しましては,発表者にそれぞれ選んでいただき,ユビコンプからは10個の論文
  • ISWCからは5つの論文が選ばれていました.ここにはその論文のセッション名ごとにまとめています.
    これから,このお勉強会で発表された論文を要点だけになってしまうんですけど,発表させていただきます.
  • ・学生がスマホからの情報で成績を予測する.
    ・スマホのセンサから得られる情報,または勉強したか,ストレスはあるかなどの自己報告を含むデータを基に,ユーザーの行動と成績の相関関係をみつける
    ・また,成績の予測モデルを作成しており,約18%の誤差での予測を可能といている.
    ・使ってみたい方は検索したら出るらしいので,使ってみてくださいとのことでした.
  • まべさん
    ・手軽で高精度な屋内位置推定の提案をしている.
    ・スマホのGPS機能による位置推定の精度は十分高いですが,屋内にはいると,精度はさがってしまうといった経験がみなさんあると思います
    ・そこで,この提案は屋内にある照明の情報を使うことで,精度をあげようというまさかって思っちゃう提案なんですけど,
    ・実験した結果約140mの経路で平均誤差0.38となった
    ・高い精度で推定できたということと,ウェアラブルでバイスやスマホで使え,手軽に扱えるということもこの論文の考えられているところです.
  • ・ラベル付けされていない大量のデータを活用した行動認識システムをトレーニングするための新しいアプローチとして、mPULを提案
    ・行動認識システムを実世界で使うと何のラベルもついていないものだとエラーが起きやすいと言う問題があります.
    ・それを,正のインスタンスとラベル付けされてないデータを使い,分類器の訓練と予測を繰り返し行なうことで,
    ・正のインスタンスのみラベルをつけられたトレーニング内の2クラスを分類するということをしています.
  • フィーバーは自分の読んだ論文でとめます.
    ・スマホユーザーがスマホの通知を受け取るだろうタイミングを予測する方法を提案している.
    ・スマホのSNS,友人からのメールの通知だったりを仕事中に配信しないなど,ユーザーの邪魔にならないように,通知タイミングを推測するということをしている.
    ・この提案の新規性は,これまでの通知推定では時間,行動,場所のデータを使っていたところに,どういう通知かを加えているという
    ・そうすることで,会議中には友人からのメール通知は届かないけど,会議に関する仕事のメールは届くなどのことができ,受け取り率はほかの学習方法と比較して上回っていました.
  • ・マイクとスピーカーのみを利用した容器の内容量の推定を行っている.
    ・この論文の特徴は,事前学習を用いることで,様々な種類(クッキーの缶,ペットボトルにはいっている液体など)の内容量を推定できたということ.
    ・実験もいろんな状況を考えた上でのいろんなパターンの実験を行い,結果として19種類の家庭用品の内容量を推定することができた.
  • ・Runbuddyというランニングリズムを連続モニタリングするため,スマートフォンとbluetoothヘッドセットのシステムを提案している.
    ・この論文の新規性は音響マイクからのデータに加えて, (LRC)と呼ばれる歩幅と呼吸の周波数の最前な比率を示している生理学的モデルの活用しているという点.
    ・こうすることで,周囲の雑音などによって、正確な認識ができない点をカバーしており,実験の結果は,約90%の精度でランニングリズムを認識することができています.
    ・発表者は,複雑なアルゴリズム提案を丁寧に説明しており、実装、アプリ開発、検証実験と、すべての手順を網羅していた点で非常に完成度の高いという点がUbicompに通った理由だと考えていました.
  • ・スマートウォッチから得られた慣性センサ情報を用いて誰が何を利用したかの”個人認識手法を提案している.
    ・従来,モノの利用者認識手法では,カメラ・センサなどの追加機材が必要であったがこの論文は追加の機材が必要ないというおおきな利点がある.
    ・この手法は線形加速度・地磁気・ジャイロセンサを用いたユークリッド距離の類似度比較をすることで,ものの特定88%,個人の特定80%と言う精度がえられた.
    ・この論文が選ばれた理由として追加のセンサを利用しない個人識別の新規性が高いからと発表者は考えている.
  • ・Wi-FiのRSSIと歩数計を利用した,同じく,屋内位置推定手法を提案している
    ・この論文の特徴は,位置推定を行うと同時にシステムのキャリブレーションを行うことで事前のキャリブレーションの手間を省いている
    ・実験の結果位置推定の精度は,他のアルゴリズムに比べ高い精度が得られ,キャリブレーションの精度もオフライン訓練と同じ精度が得られ,優位性が確認できています.
  • ・スマートウォッチを利用した家庭(屋内)での位置推定システムを提案している
    ・一般的に位置推定は教師データとして、定期的に行動のラベル(種類)と位置をユーザーが手動で送信していたが、
    ・この研究では隠れマルコフモデルという確率モデルを利用することで、ユーザーは何も入力する必要がなく、スマートフォンとスマートウォッチを身に付けているだけで位置推定ができる.
    ・精度の評価としてサポートベクターマシーンと比較しており,より高い精度が得られている.
  • ・既製のスマート電気メーターによって測定された電気負荷曲線から占有データ(現在部屋を使っているかどうか)を検出することをしています
    ・占有データは,室内の温度を調整するなどのビルオートメーションシステムに使われており
    ・一般に専用のハードウェアが必要なのですが,どこの家庭にもある電気メーターを使い,消費電力情報から,占有データを得るというありがたい研究であり,
    ・精度は最大94%とかなり高い精度を得ることができていました.
  • ・スマートフォンの気圧センサを用いた自動較正による立体空間での屋内位置推定方法の提案
    ・屋内位置推定における,今何階にいるか?などの部分が弱かったのが,スマホの気圧センサを用いるということで,その部分を改善しようというものです.
    ・気圧って富士山に上らない限り変わらないでしょ.とかおもっていたんですけど,
    ・99%とかなり高い精度で,発表者は,この高精度と屋内位置推定に気圧センサや自動校正を用いたものが少ないということが,ISWCに選ばれた理由と考えていた.
  • ・行動間の共通動作に着目し,行動認識の精度をあげようというもの
    ・行動認識には,ラベル付きの正解データに偏りがあり,識別性能が低下するという問題がある.
    ・この論文は,行動にはどこか共通の動作があるという共通動作に着目し,複数の行動間に共通する動作を組み合わせることよって,データの偏りを補おうというオブジェクト指向な方法を提案しています.
    ・評価実験を既存の行動認識手法FE-ATと比較しており,すべて上回る結果を得ることができた.
  • ・1人称視点のカメラ画像とその日付情報を学習して毎日の活動を認識する手法の提案をしています
    ・ウェアラブルカメラでバイスによる画像とその日付,時間の情報をDeeplearningによって学習させ,late fusion ensembleというあたらし分類手法で,19の行動に分類している.
    ・総合的に83.07%という認識率を得ている.
  • ・慣性センサだけで凝視位置を推定するという目的のもと,Google Glassを用いてプロトタイプシステムを実装している
    ・この凝視位置推定は,まず,凝視しているかどうか.
    ・次に頭部のピッチ角とY軸値の回帰関数を定義することで,頭部のピッチ角から撮影画像の凝視位置をこのように出力する.
    ・凝視位置の精度は92.15%という高い精度で推定できている.
  • ・スマートウォッチを利用した救急現場におけるリアルタイムCPRサポートシステムを作成している.
    ・このシステムの特徴は,視覚的にわかりやすいところで,心臓マッサージの押し込みの深さ,はやさ,回数.を
    ・このような色で教えてくれる.といった点です.例えば赤だと押し込みが足りないとか,黄色だと強いとか,誰でも判断しやすく,
    ・41人の被験者で実験したところ,このシステムを使うことで,CPRが改善される結果となり,命を救うことに貢献できるいい研究だなーと思いました.
  • ・看護師の行動を丸1日認識し,41の業務内容の行動クラスに分けるということをしています.
    ・この結果を解析することで,業務がたくさんある看護師さんの行動改善につながることがきたいできる.
  • 最後に今回のお勉強会後のアンケートをまとめたものを言っておわります.
    ・まず,来年も行いたいかと言う質問には,8割の方がはい,2割の方がどちらでもいいという,誰が赤なのかわかりやすい結果となっています.
    ・その発表者の方の要望として,リアルタイムの反応が欲しい,発表に対するコメントが書き込めるようになるといい,などの意見がありました.
    ・また視聴者の方からは,UbiComp/ISWCそのものの説明が初めにあるとうれしい,時期を9月あたりにしたほうがいい,などの意見もありました.
    ・ノイズに関しては少しあるが,問題ないと書いてあり,全体的なコメントとして,多くの研究が知れてよかった,有意義な時間だった,また発表資料がウェブ上で共有されていてよかったなど多くの高評価をいただきました.
  • Hasc勉強会報告

    1. 1. HASC勉強会の報告 九州工業大学 井上創造研究室 B4 松木萌
    2. 2. 勉強会 • 12/14,12/18の2回に分けて開催 • 11大学,約30名の方がオンライン(WebEx)で参加 • 15人の学生が発表 • 発表した論文は2015年UbiComp/ISWCで選ばれた論文 ユビキタスコンピューティングの国際会議論文を読む
    3. 3. UbiComp/ISWC ユビキタス・モバイルコンピューティング(UbiComp),ウェアラ ブルコンピューティング(ISWC)分野の国際会議(2013) ユビキタスコンピューティング(いつでもどこでもコンピュータを活用する技術)の研究 ◇UbiComp/ISWC 2015@大阪 • 参加者は歴代最大の861名 • 口頭発表セッションの157件(計30セッション)は採択率約30% ◆論文の主な内容 • センシング手法や行動認識 • 屋内位置推定 • 行動認識の評価方法に疑問を投げかけるもの • これらの技術を基にした行動のアセスメント(評価)に関するもの • 深層学習をコンテキスト認識に取り入れたもの UbiComp 2015 開催・参加報告 前川卓也 (大阪大学 准教授),日本データベース学会Newsletter 2015/12
    4. 4. 発表論文と発表者 ◇Ubicomp Session:Sensing with smartphones • SmartGPA: How Smartphones can Assess and Predict Academic Performance of College Students Rui Wang, Gabriella Harari, Peilin Hao, Xia Zhou, Andrew Campbell • IDyLL: Indoor Localization using Inertial and Light Sensors on Smartphones Qiang Xu, Rong Zheng, Steve Hranilovic Session:Sensing and recognition • I Did Not Smoke 100 Cigarettes Today! Avoiding False Positives in Real-World Activity Recognition Le T. Nguyen, Ming Zeng, Patrick Tague, Joy Zhang Session:Are you busy or bored? • Designing Content-driven Intelligent Notification Mechanisms for Mobile Applications Abhinav Mehrotra, Mirco Musolesi, Robert Hendley, Veljko Pejovic Session:Novel sensing techniques • SoQr: Sonically Quantifying the Content Level inside Containers Mingming Fan, Khai Truong Session:Tracking user's health • RunBuddy: A Smartphone System for Running Rhythm Monitoring Tian Hao, Guoliang Xing, Gang Zhou Session:Quantifying and communicating through wearables • Object Hallmarks: Identifying Object Users Using Wearable Wrist Sensors Juhi Ranjan, Kamin Whitehouse
    5. 5. Session:Indoor localization • Calibration-Free Fusion of Step Counter and Wireless Fingerprints for Indoor Localization Suining He, S.-H. Gary Chan, Lei Yu, Ning Liu Session:Localization and navigatio • Non-obstructive Room-level Locating System in HomeEnvironments using Activity Fingerprints from Smartwatch Suining He, S.-H. Gary Chan, Lei Yu, Ning Liu Session:People, traces and behaviors • Household Occupancy Monitoring Using Electricity Meters Wilhelm Kleiminger, Christian Beckel, Silvia Santini ◇ISWC Session:Environmental Sensing Systems • Improving Floor Localization Accuracy in 3D Spaces Using Barometer Dipyaman Banerjee, Sheetal Agarwal, Parikshit Sharma (IBM Research - India, New Delhi, India) Session:Activity Recognition I • Recognizing New Activities with Limited Training Data Le T. Nguyen, Ming Zeng, Patrick Tague, Joy Zhang (Carnegie Mellon University, United States) • Predicting Daily Activities From Egocentric Images Using DeepLearning Daniel Castro, Steven Hickson, Vinay Bettadapura, Edison Thomaz,Gregory Abowd, Henrik I Christensen, Irfan Essa (Georgia Institute of Technology, United States) Session:Eyewear Computing • Estimating Visual Attention from a Head Mounted IMU Teesid Leelasawassuk, Dima Damen, Walterio W Mayol-Cuevas (University of Bristol, United Kingdom) Session:Smart Watches • Smart-Watch Life Saver: Smart-Watch Interactive-Feedback System for Improving Bystander CPR Agnes Grünerbl, Gerald Pirkl , Eloise Monger, Mary Gobbi, Paul Lukowicz (DFKI, Kaiserslautern, German; University of Southampton, Southampton, United Kingdom)
    6. 6. SmartGPA: How Smartphones Can Assess and Predict Academic Performance of College Students Rui Wang, Gabriella Harari, Peilin Hao, Xia Zhou, and Andrew T. Campbell 「学生のスマホからの情報で成績を予測しますよ」 • 生徒48人から10週間集めた58GBを超える大量のデータ センシングデータ,位置データ,照度,音声,Wi-Fi, アプリの使用状況,勉強したかに関しての自己報告, ストレスチェックなどの自己報告などなど... • GPAと行動の相関 Party People はGPAが低い,ストレスが低いとGPAが高いなど... • 成績の予測モデルを作成 Lasso正規化:予測子数の削減し本当に重要な予測子から予測 平均絶対誤差が約18%の誤差で予測可能 • データセットがある “StudentLife study smartGPA” で検索 発表者:谷口敦@井上創造研(九工大)
    7. 7. IDyLL: Indoor Localization using Inertial and Light Sensors on Smartphones • IDyLLの提案 • 角加速度,加速度,コンパス,照度センサ • 地理情報付き歩行者デッドレコニング(PDR) + 照度利用アルゴリズム • 精度を上げるための工夫 • 照度の変化に着目 • 絶対量は照明の種類や経年劣化,端末のセンサに依存 • 照明の配置を利用 • 過去の移動速度推定結果を動作推定へ活用 • センサ誤差対策のパーティクルフィルタ • 約140mの経路で平均誤差0.38m 手軽で高精度な屋内位置推定の提案 Qiag Xu, Rong Zhend, Steve Hranilovic 発表者:安部真晃@河口研(名古屋大)
    8. 8. I Did Not Smoke 100 Cigarettes Today! Avoiding False Positives in Real-World Activity Recognition Le T. Nguyen, Ming Zeng, Patrick Tague, Joy Zhang mPUL(Multi-class Positive and Unlabeled Learning) というアプローチを提案  Multi-class AR問題を解決するためPULを 拡張 1. 1対他の分解 2. Positive unlabeled(P-U) から positive , negative and unlabeled(P-NU)へ拡張 3. Unknown Activityの潜在的な検出  正のインスタンスのみラベルをつけられ たトレーニングデータ内の2クラス(正 と負)分類精度  STTより良い結果に 発表者:峯崎智裕@井上創造研(九工大)
    9. 9. Designing Content-driven Intelligent Notification Mechanisms for Mobile Applications Abhinav Mehrotra, Mirco Musolesi, Robert Hendley, Veljko Pejovic ユーザーが携帯の通知を 受け取ってくれるタイミングを予測する方法の提案 ◆ユーザーの時間,場所,行動に加え,どういう通知かを考慮 ▶︎35人のユーザーが3週間︎,通知に関するデータを収集 ▶︎通知の内容(SNS,アプリのアップデート,誰からのメールかなど)のラベル付け ◆機械学習による精度 ▶︎ユーザーが指定したタイミングで送る通知より 通知受け取り率は高かった. ◆オンラインによる精度 ▶︎10日後には︎約70%の通知受け入れ率に達した. 通知受け取り率の比較 ♪ 発表者:松木萌@井上創造研(九工大)
    10. 10. SoQr: Sonically Quantifying the Content Level inside Containers • マイクとスピーカのみを利用した容器の内容量の推定 o 事前学習を用いることで19種類の家庭用品の内容量を推定すること ができた o 様々な条件でも実験を行った • 異なる容器の設置箇所での実験 • 異なる向きでの配置の実験 • 変形可能な容器の実験 • 結果 • 事前学習がある環境では提案手法での予測が可能 • 別の保存場所の場合は提案手法での予測が可能 • 硬い開閉可能な容器の場合の提案手法での予測が可能 • 容器の設置の仕方が異なる場合は提案手法での予測が不可能 • 容器が変形する場合は提案手法での予測が不可能 10 Mingming Fan, Khai N. Truong 発表者:和田玲奈@ユビキタス環境研(立命館大)
    11. 11. RunBuddy: A Smartphone System for Running Rhythm Monitoring Tian Hao(Michigan State University) Guoliang Xing(Michigan State University) Gang Zhou(College of William and Mary) RunBuddyという、ランニングリズムを連続モニタリングするための スマートフォンとBluetoothヘッドセットベースのシステムを提案 アプリ紹介動画:https://www.youtube.com/watch?v=hZMZqt4Pae4&feature=youtu.be 結果として、高い精度でランナーのランニングリズムモニタリングを可能にし、ラ ンナーのリズムを安定させるためのアプリケーションとしての可能性を見出した 複雑なアルゴリズム提案を丁寧に説明しており、実装、アプリ開発、検証実験と、 すべての手順を網羅していた点で非常に完成度の高い論文だと感じた • 加速度センサと音響センサの基づいたセンシング + • Locomotor Respiratory Coupling (LRC)と呼ばれる生 理学的モデルの活用 (歩幅と呼吸の周波数の最善な比率) ↓ ランニングリズムをモニタリングする、新規的なアプローチ 発表者:磯田達也@井上創造研(九工大)
    12. 12. • スマートウォッチを用いた “誰が何を利用したか”の認識手法の提案 • 個人ごとの電力・水資源などのセンシングが容易に可能に • スマートウォッチのみを使うことで モノへのセンサ,カメラ,RFIDなどの追加機材が不要 • 着眼点 • モノ・個人ごとの利用法(Hallmark)の違いに着目 • 結果 • モノの特定88%,個人の特定80% Object Hallmarks : Identifying Object Users Using Wearable Wrist Sensors Juhi Ranjan and Kamin Whitehouse / Ubicomp2015 発表者:石川剛@藤波研(農工大)
    13. 13. Calibration-Free Fusion of Step Counter and Wireless Fingerprints for Indoor Localization SLACという位置推定フレームワークの提案  キャリブレーションと位置推定を同時に行う  Wi-Fi のRSSIと歩数計を利用  計測値の相関関係を利用し,端末・ユーザの多様性の影響を軽減  位置推定精度  最新のアルゴリズムより高精度に推定  システムのキャリブレーション精度  オフライン訓練と遜色ない結果に Suining He, S.-H. Gary Chan,Lei Yu, Ning Liu 発表者:村田雄哉@河口研(名古屋大)
    14. 14. Non-obstructive Room-level Locating System in Home Environments using Activity Fingerprints from Smartwatch スマートウォッチを利用した家庭での位置推定システムの提案 • 行動と位置の関係の隠れマルコフモデルの作成と位置推定を同時に行う スマートウォッチの加速度計、マイク スマートフォンと無線LANとの通信強度を利用 • 推論モデルから位置を推定するためユーザーの参加を必要としない 位置推定精度 隠れマルコフモデルとサポートベクターマシンの結果を比較 サポートベクターマシンより高い精度となった 発表者:本多弘典@井上創造研(九工大)
    15. 15. Household Occupancy Monitoring Using Electricity Meters 本論文では、既製のスマート電気メータによって測定された電気負荷曲線からOccupancy 情報を取得 消費電力から=>Occupancy情報 部屋を利用されて いる 部屋を利用されて ない 概要 —消費電力から特徴量を取得 —分類器を作成 —次元圧縮方法: シーケンシャル前進選択 (SFS)、主成分分析(PCA) まとめ •スマートメーターの使用は、最大94%の平均occupancy情 報検出精度を達成することができた •異なる家庭で様々なセットアップに、1つの特徴量セットは、 全家庭に評価できないことを示した 今後 occupancy情報検出精度を上がるために、消費 電力データと他のセンサデータの結合が必要 発表者:潘新程@井上創造研(九工大)
    16. 16. Improving Floor Localization Accuracy in 3D Spaces Using Barometer Banerjee, D., Agarwal, K. S., & Sharma, P.(2015), In Proc. ISWC'15 スマートフォンの気圧センサを用いた自動校正による 立体空間での屋内位置推定方法の提案 目的 特徴 気圧センサによる階層検知とWiFi測位を組み合わせ た教師なし確率的学習により自動較正を行う 結果 階層の遷移と階数を約99%の精度で検知 H AP MV BL 1→2 67.1% 67.1% 74.5% 98.4% 0→2→0 45.7% 55.8% 55.1% 100% 1→2→1→2 62.5% 62.5% 62.5% 99% 0→2→0→1→0 62.4% 73.2% 73.4% 93.6% 選ばれた理由 屋内位置推定に気圧センサや自動校正を用いたもの が少なく, 精度向上に大いに貢献してるため 発表者:藤田敦啓@ユビキタスシステム研(豊橋技術大)
    17. 17. Recognizing New Activities with Limited Training Data(Le T. Nguyen et al.)  行動間の共通動作に着目した行動認識の高精度化  共通動作に着目し,これらを推定することによって 間接的に行動状態を識別する 共通動作の例: 姿勢の変化・脚の上下動 手の動作など 発表者:神保拓也@藤波研(農工大)
    18. 18. Predicting Daily Activities From Egocentric Images Using Deep Learning ● 学習データ ○ 6ヶ月以上に渡り40103個のデータセットを用意 ○ 19行動に分類 ● 学習・認識 ○ CNN ○ late fusion ensemble ■ CNNの結果をRDFに利用する今回初めて実験した新規手法 ○ 追加ユーザから得た1日分のデータセットで 分類器をチューニング Daniel Castro*, Steven Hickson*, Edison Thomaz, Gregory Abowd, Vinay Bettadapura, Henrik Christensen, Irfan Essa (Georgia Institute of Technology) 目的: 1人称視点のカメラ画像とその日付情報を学習して毎日の活動を認識する 結果:総合的に83.07%の認識率を達成 選んだ理由: 最近自身の研究で機械学習を扱い始めた ためDNNの研究成果を知りたかったから. 発表者:市野晴之@河口研(名古屋大)
    19. 19. 慣性センサ値 ・ 加速度 ・ 角速度 ・ 方位 Estimating Visual Attetion from a Head Mount IMU ISWC’15, Teesid Leelasawassuk et,al.(University of Bristol) 凝視位置 (カメラ画像座標) 目的 慣性センサを用いた 凝視対象の推定方法の提案 凝視位置 推定システム ・凝視 / 未凝視の推定 - 頭部の相対加速度・角速度 による閾値判定 ・凝視した時に位置を推定 - 頭部ピッチ角とY軸値の回帰関数 を定義して凝視初期位置を取得 - Nadaraya-Watson推定 により凝視位置を更新 ・凝視位置予測モデルの精度評価 - ROCカーブのAUC面積で 位置推定精度が 92.15% - 個々人の回帰関数が異なるため, 個人学習データの利用により精度上昇 慣性センサとHMDの組み合わせで面白そう 発表者:佐伯翼@藤波研(農工大)
    20. 20. Smart-Watch Life Saver: Smart-Watch Interactive-Feedback System for Improving Bystander CPR A. Gruenerbl, G. Pirkl, E. Monger, M. Gobbi, P. Lukowicz • スマートウォッチを利用した救急現場におけるCPRサポートシステム • 視覚的な教示でサポートを行い心臓マッサージの改善を促す • 評価実験の結果,システムを利用した場合に心臓マッサージが 改善されることが示された 発表者:山本晃大@ユビキタスシステム研(豊橋技術大)
    21. 21. “Mobile Activity Recognition for a Whole Day: Recognizing Real Nursing Activities with Big Dataset” Sozo Inoue (九工大), N. Ueda (NTT),Y. Nohara, N. Nakashima (九大病院) 実験:看護師加速度オープンデータ • ラベルあり:2週間x22人 • ラベルなし:2年間x60人 • 41看護行動クラス 認識:一日丸ごと認識 • 時間帯と継続時間の偏りを事前知識 としてセグメントをベイズ推定 • 重点サンプリングによる実装 結果: • 時間窓ごとの精度: 55.2% → 81.0%に向上 • 継続時間の誤差: 324.2秒 → 90.3秒に削減 解析:2年間のビッグデータに適用 • 「電子カルテ入力」など 時間がかかる行動を特定 • 病院データと結合 • 看護師の「経験年数」、 患者の「看護必要度」「在院日数」と 有意な看護行動を特定 Segment := [Start me, Finish me, Actvity class] Local time window t +1 … Sensor datat Feature vector xt xt+1 … x Segment sc 1 …sc 2 sc L …… Activity ac t ac t+1 … ac P(egmet) P(Activitytime|esortime) http://nursing.sozolab.jp/
    22. 22. 今回のお勉強会の感想(終了後のアンケートより) ◆発表者 • より深く理解できた. • 定期的にできれば多くの研究を知るい い機会になる. • リアルタイムの反応が欲しい.(ツイッ ターなど?) • 発表に対するコメントが書き込めるよう になるといい. 22 ◆視聴者 • 様々な研究が聞けてよかった. • 識別精度をあげるための工夫を知ることができた. • 分野が初心者だが,有意義な時間だった. • UbiComp/ISWCそのものの説明が初めにあるとうれしい. • 12月はきついので,UbiComp/ISWCが終わってすぐ(9月〜10月あたり)が いい • 発表資料がウェブ上で共有されているのがいい! • ノイズは気になったが,特に問題はなかった.

    ×