次世代ヘルスケアのためのインテリジェントな非侵襲リアルタイム人間行動認識システム

An Intelligent Non-Invasive Real-Time Human Activity Recognition System for Next-Generation Healthcare.

• William Taylor
• Syed Aziz Shah
• Kia Dashtipour
• Adnan Zahid
• Qammer H Abbasi
• Muhammad Ali Imran

抄録

人工知能（AI）駆動のヘルスケアシステムの分野では、人の動き検出が注目されています。人の動きを利用して、転倒や歩行、呼吸障害などの特定の動きを識別することで、脆弱な人々に遠隔医療ソリューションを提供することができます。これにより、人々はより自立した生活を送ることができ、より直接的なケアが必要な場合には監視されるという安全性を確保することができます。現在のところ、ウェアラブルデバイスは、人の体に機器を配置することで、リアルタイムのモニタリングを提供することができます。しかし、常に人の体に機器を装着していると、常に監視されているという不安に加えて、高齢者は装着を忘れる傾向がある。本論文では、非侵襲的な方法を用いて、擬似リアルタイムのシナリオで人の動きを検出する方法を示している。無線信号のパターンは、それぞれの動きが無線媒体に固有の変化を引き起こすため、特定の人体の動きを示しています。これらの変化は、特定の身体運動を識別するために使用することができる。本研究では、テストケースとして被験者が立っているか座っているかを識別するために、ソフトウェア定義無線（SDR）を使用して得られた電波信号のパターンを含むデータセットを作成した。このデータセットを用いて機械学習モデルを作成し，開発したアプリケーションで使用して，立っているか座っているかの準リアルタイム分類を行った．機械学習モデルは、10倍のクロスバリデーションを用いたランダムフォレストアルゴリズムを用いて96.70%の精度を達成することができた。ウェアラブルデバイスのベンチマークデータセットと提案モデルのデータセットを比較した結果，提案モデルは90%近くの精度を持つことがわかった．本論文で開発した機械学習モデルは，2つのアクティビティを対象としているが，開発したシステムは，x個のアクティビティを検出して区別することができるように設計されており，適用可能であることが示された．

Human motion detection is getting considerable attention in the field of Artificial Intelligence (AI) driven healthcare systems. Human motion can be used to provide remote healthcare solutions for vulnerable people by identifying particular movements such as falls, gait and breathing disorders. This can allow people to live more independent lifestyles and still have the safety of being monitored if more direct care is needed. At present wearable devices can provide real-time monitoring by deploying equipment on a person's body. However, putting devices on a person's body all the time makes it uncomfortable and the elderly tend to forget to wear them, in addition to the insecurity of being tracked all the time. This paper demonstrates how human motions can be detected in a quasi-real-time scenario using a non-invasive method. Patterns in the wireless signals present particular human body motions as each movement induces a unique change in the wireless medium. These changes can be used to identify particular body motions. This work produces a dataset that contains patterns of radio wave signals obtained using software-defined radios (SDRs) to establish if a subject is standing up or sitting down as a test case. The dataset was used to create a machine learning model, which was used in a developed application to provide a quasi-real-time classification of standing or sitting state. The machine-learning model was able to achieve 96.70% accuracy using the Random Forest algorithm using 10 fold cross-validation. A benchmark dataset of wearable devices was compared to the proposed dataset and results showed the proposed dataset to have similar accuracy of nearly 90%. The machine-learning models developed in this paper are tested for two activities but the developed system is designed and applicable for detecting and differentiating x number of activities.