不完全な医療データを活用する：マンフォールド整合型の時空間ネットワークによるセンサーベースの人間活動認識

arXiv cs.CV / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、ヘルスケア監視におけるセンサーベースの人間活動認識（HAR）を対象とし、ウェアラブル/IoMTの信号が欠測・センサ故障・環境ノイズなどで欠損や劣化を受けやすい現実課題に取り組む。
研究では、マンフォールド整合型の時空間ネットワーク（MCSTN）を提案し、物理レベルの腐敗と拡散駆動の連続的腐敗というデュアルレベルの腐敗モデリングで現実的なセンシング不完全性を再現する。
複数の腐敗した入力ビュー間で表現の一貫性を強制することで、学習される意味表現が安定し、腐敗に頑健（破壊されにくい）になるようにする。
時系列ダイナミクスの学習とセンサ間の空間相関学習を明示的に分離するデュアルストリームの時空間アーキテクチャを採用し、より効果的な時空間表現学習を実現する。
PAMAP2、Opportunity、WISDMの3つの一般的なHARベンチマークで、特に不完全な入力条件下での性能向上を含め、既存の最先端手法と競合する結果が示され、実環境のウェアラブルIoMTへの適用可能性が裏付けられる。

Abstract

センサに基づくヒト行動認識（HAR）は、特に医療用モノのインターネット（IoMT）の発展に伴い、医療・ヘルスケアのモニタリング分野で注目が高まっています。しかし実世界のウェアラブルセンシングのシナリオでは、IoMTの信号はしばしば、欠測、センサの故障、環境ノイズによって損なわれます。このため、クリーンで完全な入力を前提とする従来の深層学習モデルの性能は大きく低下します。こうした課題に対処するため、我々は、不完全なセンシング条件下で頑健なHARを実現するためのマンフォールド整合型時空間ネットワーク（MCSTN）を提案します。提案する枠組みは、物理レベルの損傷と拡散駆動の連続的損傷の両方を通じて、現実的なセンサの不完全性をシミュレートするデュアルレベルの損傷モデリング機構を導入します。複数の損傷したビュー間で表現の整合性を強制することで、モデルは安定した、かつ損傷に不変な意味表現を学習します。さらに、時間ダイナミクスのモデリングと空間相関の学習を明示的に切り離すデュアルストリームの時空間アーキテクチャを設計します。時間ストリームは長期的な行動ダイナミクスを捉え、空間ストリームはセンサ間の関係をモデル化し、より効果的な時空間表現学習を可能にします。広く用いられている3つのHARベンチマークデータセット、PAMAP2、Opportunity、WISDMに対する大規模な実験により、提案するMCSTNは、特に不完全なセンシング条件下において、既存の最先端手法と比べて競争力のある性能を達成することが示されます。これらの結果は、現実世界のウェアラブルIoMTセンシング応用に対して、提案枠組みの有効性と頑健性を裏付けています。