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. 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. 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. 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. 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. 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)
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)
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. 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)
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. 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. 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)
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. “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(egmet)
P(Activitytime|esortime)
http://nursing.sozolab.jp/