センサ駆動型ヒューマンアクティビティ認識のための教師なし統計的特徴ガイド付き拡散モデル

ウェアラブルセンサーを用いた人体活動認識（HAR）は、個人の健康、スポーツ・ウェルネス、産業4.0など多くのAI応用分野における基盤的な機能である。コンピュータビジョンなどの他の機械学習分野と比較して、ウェアラブルセンサーを活用したHARの進展を妨げる主な課題は、多様かつラベル付きの学習データが不足している点にある。特に、オンラインリポジトリには無数のアノテーション付き画像が存在する一方で、自由に利用可能なセンサデータは極めて限られ、かつほとんどがラベルなしである。本研究では、慣性測定ユニット（IMU）センサなど、ウェアラブルデバイスを対象とした人体活動認識に特化した、統計的特徴をガイドとする非教師型拡散モデルを提案する。この手法は、アノテーション付き学習データに依存せずに、合成されたラベル付き時系列センサデータを生成する。これにより、現実世界のセンサデータに伴うデータ不足およびラベル付けの困難さという問題を解決する。平均値、標準偏差、Zスコア、歪度といった統計情報を拡散モデルの条件として用いることで、多様かつ代表的な合成センサデータの生成を実現した。公開されている人体活動認識データセットを用いた実験を行い、従来のオーバーサンプリング手法および最先端の生成的対抗ネットワーク（GAN）手法と比較した結果、本手法は人体活動認識の性能を向上させ、既存の技術を上回ることが実証された。