本書では「人間行動認識」に焦点を当て、その技術的側面を深く探求しています。
第２章から第７章までの内容を通じて、人間行動認識の基礎知識を獲得すると同時に、実際のデータとプログラムを駆使した実践的なスキルが身につくことを期待します。また、人やモノに取り付けたIoTセンサを活用した認識技術の重要性を特に確認する過程で、新たな技術や手法の発展の可能性を感じることができることと思います。
また、これから人間行動認識に取り組む、研究者およびエンジニアの方に向けて、人間行動認識に必要なセンサ、データ処理、機械学習アルゴリズムなどの基礎知識を一気通貫で学べるようにしたものです。実データ、実プログラムを通じて、手を動かしながら、人間行動認識の基礎を身につけられることを期待します。
1 はじめに
2 人間行動認識の概要
2.1 人間行動の定義
2.2 人間行動認識の目的
2.3 人間行動認識の構成
3 データ計測
3.1 人間行動認識に利用できるデータ
3.1.1 カメラ（時系列映像データ）
3.1.2 慣性センサ（加速度・ジャイロ・磁気）
3.1.3 環境センサ（気圧・温度・湿度・照度）
3.1.4 振動センサ
3.1.5 GPS（位置センサ）
3.1.6 電波センサ（Wi-Fi・Bluetooth・UWB）
3.1.7 音響センサ・超音波センサ
3.1.8 心拍センサ・脈拍センサ
3.1.9 設置型センサ
3.2 センサを搭載したデバイス
3.2.1 スマートフォン
3.2.2 ウェアラブルデバイス
3.2.3 汎用マルチセンサデバイス
3.2.4 センサデバイスを自作する
3.3 ラベル付け
3.3.1 ラベル付けの種類と方法
3.3.2 ラベル付けツール
4 データ前処理
4.1 一般的な手順
4.2 データクレンジング
4.3 データフィルタリング
4.4 データセグメンテーション
4.5 特徴量抽出手法
4.6 特徴量選択・次元削減手法
4.7 データ正規化・標準化手法
4.8 ライブラリ
5 機械学習
5.1 機械学習の分類
5.2 分類問題と回帰問題
5.3 代表的な教師あり学習アルゴリズム
5.3.1 線形回帰
5.3.2 ロジスティック回帰
5.3.3 決定木
5.3.4 ランダムフォレスト
5.3.5 k‒最近傍法
5.3.6 ナイーブベイズ
5.3.7 サポートベクターマシン
5.3.8 ニューラルネットワーク
5.3.9 XGBoost
5.3.10 LightGBM
5.4 教師あり学習手法の選択方法
5.5 ライブラリの紹介
5.5.1 ランダムフォレスト
5.5.2 サポートベクターマシン
5.5.3 LightGBM
6 評価
6.1 検証法
6.1.1 ホールドアウト検証
6.1.2 基本的な交差検証
6.1.3 高度な交差検証
6.2 回帰問題の評価指標
6.3 分類問題の評価指標
6.4 ハイパーパラメータ
6.5 過学習・未学習
6.6 検定
6.7 ライブラリの紹介
7 実例で学ぶ人間行動認識（サンプルコード付き）
7.1 実例０：オープンデータセットを用いた行動認識
7.1.1 概要（シナリオ）
7.1.2 WISDM（Wireless Sensor Data Mining）について
7.1.3 Python を用いた行動認識プログラムの実装例
7.1.4 まとめ
7.2 実例１：単一ウェアラブルセンサを用いた行動認識
7.2.1 概要（シナリオ）
7.2.2 データセットの概要
7.2.3 特徴量の抽出
7.2.4 モデルの学習と評価
7.2.5 まとめ
7.3 実例２：棒体操の種目認識
7.3.1 概要（シナリオ）
7.3.2 データセットの概要
7.3.3 特徴量の抽出
7.3.4 モデルの学習と評価
7.3.5 まとめ
7.4 実例３：複数センサを用いた体幹トレーニング種目推定
7.4.1 概要（シナリオ）
7.4.2 データセットの概要
7.4.3 特徴量の抽出
7.4.4 モデルの学習と評価
7.4.5 まとめ
7.5 実例４：発電素子を用いた人間行動認識
7.5.1 概要（シナリオ）
7.5.2 データセットの概要
7.5.3 特徴量の抽出
7.5.4 モデルの学習と評価
7.5.5 まとめ
7.6 実例５：SALON（生活行動認識）
7.6.1 概要（シナリオ）
7.6.2 SALON データセットの説明
7.6.3 Python を用いた生活行動認識技術の実装例
7.6.4 まとめ
8 おわりに
索引
