ESPRESSO：エントロピーおよび形状に配慮した時系列セグメンテーションによる異種センサデータ処理

高次元のウェアラブルセンサデータ、スマートデバイス、またはIoTデータから意味ある時間的セグメントを抽出することは、人間の行動認識（HAR）、経路予測、ジェスチャー認識、ライフログなどにおける応用において重要な前処理ステップである。本論文では、時系列データのエントロピーおよび時間的形状特性を活用することを目的として設計された、多変数時系列データ向けのハイブリッドセグメンテーションモデル「ESPRESSO（Entropy and ShaPe awaRe timE-Series SegmentatiOn）」を提案する。ESPRESSOは、従来の手法が時系列データの特定の統計的性質や時間的特性にのみ焦点を当てているのに対し、エントロピーと時間的形状の両方の特性を統合的に活用する点で異なり、新たなアプローチを提供する。モデル開発の一環として、新たな時系列表現手法「WCAC（Weighted Cumulative Accumulation of Change）」を導入し、エントロピー指標に基づくセグメント推定を実現するグリーディ探索手法も提案した。実験結果から、ESPRESSOはウェアラブルおよびウェアラブルフリーなセンシングを対象とした7つの公開データセットにおいて、4つの最先端手法を上回る優れた性能を示した。さらに、これらのデータセットの特性に応じてESPRESSOおよびその構成要素の性能がどのように変化するかを深く分析した。最後に、ESPRESSOを適用することで、日常生活の行動ルーティンや人の感情状態の推定がどのように支援されるかを示す2つの事例研究を提示する。