センサーモダリティ対事前学習:ベッド離床関連の姿勢遷移認識におけるジャイロスコープ中心の実現可能性調査(公開ウェアラブルIMUデータ使用)
Sensor Modality Versus Pretraining for Recognising Bed-Exit–Relevant Postural Transitions: A Gyroscope-Focused Feasibility Study on Public Wearable-IMU Data
ベッドからの離床を検知するウェアラブル病棟モニタリングにおいて、離床の初期段階である短い姿勢遷移に着目した実現可能性調査が行われた。公開されている腰部装着型6軸慣性センサーデータ(健常者30名)を使用し、10クラス(基本動作4種+方向別遷移6種)のタスクを設定。特にベッド離床に関連する「臥位から起き上がりへの遷移」2クラスを評価した。姿勢遷移クラスは最も認識が弱く、その中でもベッド離床遷移は最も弱かった。ジャイロスコープを除去すると、全体のマクロF1スコアは0.822から0.647に、ベッド離床F1スコアは0.657から0.351に低下した(p < 10^-4)。加速度センサーは姿勢を、ジャイロスコープは方向遷移を捉える役割分担が示唆された。6軸の手動設計モデルは、ファインチューニング済みの加速度センサーのみの事前学習モデルを上回った(0.822 vs 0.774)。センサー選択、特にジャイロスコープの重要性が、モデル規模よりも大きいことが示された。ただし、これらの結果はスクリプト化された記録における遷移認識に関するものであり、実際の病棟でのベッド離床検知に直接適用できるかは今後の課題である。
- 公開腰部装着型6軸慣性センサーデータ(健常者30名)を用い、10クラス(基本動作4種+方向別遷移6種)の姿勢遷移認識を評価。ベッド離床に関連する臥位→起き上がり遷移2クラスが最も認識が弱かった。
- ジャイロスコープを除去するとマクロF1が0.822→0.647、ベッド離床F1が0.657→0.351に低下(p<10^-4)。加速度は姿勢、ジャイロは方向遷移を担う役割分担が示唆された。
- 6軸の手動設計モデル(0.822)が、ファインチューニング済みの加速度のみ事前学習モデル(0.774)を上回り、センサー選択の重要性がモデル規模を上回ることが示された。
- 結果はスクリプト化された記録での遷移認識に基づくもので、実際の病棟でのベッド離床検知への直接適用は未検証の今後の課題。
AIによる行動認識の実用化を狙う研究だが、対象は学術的な公開データセット(健常者30名・腰部装着型6軸IMU)でのオフライン評価に留まり、商用製品・企業・調達・規制の動きは一切含まれない。投資家視点では、ウェアラブルセンサーによる離床検知のようなヘルスケアAIでは「センサーのモダリティ選択がモデル規模より効く」という示唆が、センサー構成やエッジ推論コストを左右する設計判断になり得る点が注目に値する程度。ただし実病棟での運用検証は未実施であり、直ちに投資テーマ化できる材料ではない。