スマートフォンベースの人活動認識のための物理情報付きConvFormerと状態空間ゲーティング
A Physics-Informed ConvFormer with State-Space Gating for Smartphone-Based Human Activity Recognition on the WISDM Dataset
本研究では、スマートフォンベースの人活動認識(HAR)のために、物理情報付きConvFormerと状態空間ゲーティングを用いたモデルを評価した。このモデルは、生加速度データと、決定論的マグニチュード、方向、重力推定、動的加速度特徴量を組み合わせ、大規模カーネルのデプスワイズ畳み込み、Mambaにインスパイアされた因果ゲート、アテンション、多層パーセプトロンを適用する。主要な被験者レベルの実験では、最高の検証精度95.63%、テスト精度83.92%を達成した。4つの被験者レベル分割全体では、フルモデルは平均テスト精度88.86 ± 6.16%を達成した。これは、コンパクトCNNベースラインの89.66 ± 5.56%、および生3チャンネルハイブリッド変異体の89.54 ± 5.07%と比較される。フルモデルは588,006パラメータを使用し、ローカルCPUフォワードパスのレイテンシはウィンドウあたり21.54ミリ秒であったのに対し、CNNは125,766パラメータで0.45ミリ秒であった。状態空間ゲーティングを除去すると、平均精度は0.22パーセントポイント変化し、レイテンシは3.80ミリ秒に減少した。ローカル畳み込みまたはアテンションを除去すると、ハイブリッドバックボーン内で平均精度がそれぞれ3.99または3.06パーセントポイント減少した。これらの結果は、ローカル畳み込みとアテンションがハイブリッド設計内で価値があることを示しており、生入力およびSSMなし構成は、競争力のある低コストの代替手段として残ることを示唆している。
- スマートフォンベースの人活動認識(HAR)向けに、物理情報特徴量とConvFormer・状態空間ゲーティングを組み合わせたモデルを評価。最高検証精度95.63%、テスト精度83.92%。
- 4分割の被験者レベル評価でフルモデルは平均テスト精度88.86±6.16%と、コンパクトCNNベースラインの89.66±5.56%、生3チャンネル変異体の89.54±5.07%を下回った。
- フルモデルは588,006パラメータ・ローカルCPUで21.54ms/ウィンドウに対し、CNNは125,766パラメータ・0.45msと、精度差が小さい一方で計算コスト差が大きい。
- 状態空間ゲーティングの除去で平均精度は0.22ポイントしか変化せずレイテンシは3.80msに短縮、ローカル畳み込みとアテンションの除去では精度がそれぞれ3.99・3.06ポイント低下した。
スマホのセンサー時系列データを扱うHARモデルの研究で、精度はCNNベースラインとほぼ同等(88.86%対89.66%)ながらパラメータは約4.7倍、レイテンシは約48倍(21.54ms対0.45ms)とオンデバイス推論のコスト面で大きく劣る点が投資判断上の核心。Mamba系SSMゲーティングは精度寄与が0.22ptとほぼ誤差レベルで、実運用では軽量CNN/生3チャンネル構成が優位という結論は、エッジAI・ウェアラブル/ヘルスケア推論チップやモデル軽量化技術への配分を検討する上で示唆的。学術ベンチマーク段階であり商用製品・調達の発表ではないため、直接の投資対象ではない。