多変量時系列分類のための単変量チャネル・フュージョン

Abstract

多変量時系列分類（MTSC）は、生体信号解析やモーション監視など、さまざまな領域で重要な役割を果たします。しかし、既存の手法、とりわけ深層学習モデルは、しばしば高い計算資源を必要とするため、IoTデバイスやウェアラブル・システムといった低コストなハードウェアへのリアルタイム適用や展開には適していないことが多いです。本論文では、MTSCを効率的に扱うためのUnivariate Channel Fusion（UCF）手法を提案します。UCFは、平均、中央値、動的時間伸縮バリセントル（dynamic time warping barycenter）といった単純なチャネル融合戦略により、多変量時系列を1変量の表現へと変換します。この変換により、元々1変量時系列向けに設計された任意の分類器を用いることができ、複雑なモデルに代わる柔軟で計算負荷の軽い選択肢を提供します。化学モニタリング、脳-コンピュータ・インタフェース、人体活動解析など、多様なアプリケーション領域をカバーする5つの事例研究においてUCFを評価します。その結果、UCFはしばしばベースライン手法およびMTSC向けに調整された最先端アルゴリズムを上回り、特にチャネル間の相関が高い問題において、計算効率の点で大きな改善を達成することが示されます。