SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

日常生活は、歯を磨く、皿を洗う、キッチンへ歩く、床をモップで掃除するといった、小さく、しばしば繰り返される一連の動きで構成されています。医師や介護者にとって、これらの「日常生活動作（ADL）」を追跡することは極めて重要です。人がこれらのタスクを自立して遂行できる能力は、その人の健康と安全を示す主要な指標となります。伝統的に、これを測定するには、人々に何をしたかを思い出してもらったり、看護師が特定の時間に観察したりすることに頼ってきました。これらの方法は不完全です。人間の記憶は間違いやすく、断片的な観察では一日のリズムを見落としてしまうからです。人がどのように機能しているかという真の姿を把握するには、邪魔にならない形で継続的に観察する方法が必要です。そこでスマートウォッチが登場します。手首に装着されたそれは、動きの微妙な変化を感じ取ることができるセンサーを備えており、個人の日常的なルーチンを覗き見るための潜在的な窓となります。しかし、問題があります。静かで制御されたラボ環境で動きを認識するように訓練されたコンピュータプログラムは、同じ人が自分自身の家という、乱雑で予測不可能な現実の中でウォッチを着用した際に、失敗してしまうことがよくあるのです。

クイーン・マーガレット大学とエディンバラ・ナピア大学の研究者たちは、この特定の問題を解決しようと試みました。彼らは、スマートウォッチのシステムが、最初から完全に再学習する必要なく、使用されている最中にその人の日常活動を認識することを学習できるかどうかを問いかけました。彼らは「SmartADAPT-Net」と呼ばれるシステムを開発しました。これは、2つの明確なフェーズで動作するように設計されています。第一に、多くの異なる人々からラボで学んだ一連のルールである、一般的な「集団」モデルを使用して、現在どのような活動が行われているかについての初期の推測を行います。第二に、その人がウォッチの推測を承認または修正する場合にのみ、その特定の個人から徐々に学習します。目標は、この2段階のアプローチが、ラボで訓練されたロボットと、現実世界における役立つパーソナライズされたアシスタントとの間の溝を埋めることができるかどうかを確認することでした。

研究者たちは、まずシミュレーションされた家庭環境の中でシステムの基礎を築くことから始めました。30人のボランティアが、歯磨き、モップ掛けまたは掃除機がけ、棚への物品の収納、歩行、皿洗い、顔を洗うという6つの一般的なタスクを行いました。彼らはApple Watchを着用し、手首の動きを記録しました。チームはこのデータを使用して、コンピュータモデルにそれらの動きのパターンを認識させるように教えました。この初期モデルは「凍結」されており、つまりその核となる脳は固定され、後で変更されることはありません。しかし、研究者たちは「複雑性認識モジュレーション（complexity-aware modulation）」と呼ばれる巧妙な調整レイヤーを追加しました。この機能は、動きがいかに混沌としているか、あるいは不規則であるかに着目します。例えば、歩行は通常リズム的ですが、皿洗いはより不規則かもしれません。この複雑さを測定することで、システムはユーザーが誰であるかを知る前に、初期の推測に対して迅速かつスマートな調整を行うことができ、精度を向上させることができました。

真のテストは、17人の新しいグループを実際の自宅に配置して20日間実施した際に訪れました。参加者たちはウォッチを着用し、6つの対象活動のいずれかを行ったときに記録を開始しました。システムは、これらの人々を事前に知ることはありませんでした。ウォッチが予測を行うと、ユーザーはそれが正しいかどうかを承認するか、リストから正しい活動を選択するよう求められました。このフィードバックこそが鍵でした。システムは、ウォッチのバッテリーやプロセッサには重すぎる「メインの脳」の再学習は行いませんでした。代わりに、その特定の人物の動きが各活動においてどのようであったかを示すコンパクトな要約である、単純な「プロトタイプ」を保存しました。ユーザーが活動を承認していくにつれて、システムは個人の習慣と一般的な集団の知識を融合させながら、最終的な決定をゆっくりと調整していきました。

結果は、明確かつ強力な進展を示しました。システムが初期の凍結された脳のみに依存していた場合、活動を正しく認識できたのは約62パーセントでした。現実の世界は制御された実験よりも乱雑であるため、ラボでのパフォーマンスからのこの低下は予想された通りでした。しかし、システムに複雑性認識による調整を適用した瞬間、精度は78パーセントへと跳ね上がりました。この改善は、ユーザーからの個人的なデータなしに即座に起こりました。ユーザーが20日間にわたって活動を承認し続けるにつれて、システムのパーソナライゼーションが作動し、最終的な精度は89パーセントまで上昇しました。これは、スマートな即時補正と緩やかな学習プロセスを組み合わせることで、システムが初期のミスを克服し、高い信頼性を獲得したことを意味します。

すべての活動が等しく習得しやすいわけではありませんでした。歩行とモップ掛けは、最初から高い精度で認識されました。しかし、顔を洗うことは依然として最も困難な課題として残りました。20日間のパーソナライゼーションを経ても、システムはこのタスクに苦戦し続け、正解率は約79パーセントにとどまりました。研究者たちは、システムが初期の誤りの多くを修正できる一方で、顔を洗う動作と他の動きとの間の混乱が持続していることを発見しました。これは、手首のセンサーが腕の動きを追跡することには優れているものの、非常に似た手の動作を区別するために必要な微細な詳細が不足している場合があることを示唆しています。それにもかかわらず、システムは、膨大なデータや複雑な再学習プロセスを必要とせずに、ユーザーから学習できることを証明しました。

また、本研究は、このアプローチが日常的な使用において実用的であることを確認しました。ユーザー固有の習慣を記憶するためのメモリを含むシステム全体は、非常に小さな写真ファイルのサイズ程度の容量しか占有しませんでした。また、決定を下すのに0.1秒未満の時間を要し、動作も迅速であり、追加のバッテリー消費も、アクティブな使用1時間あたり約3.5パーセントと最小限でした。この効率性は極めて重要です。数時間でウォッチのバッテリーを使い果たすシステムは、長期的な健康モニタリングには役に立ちません。

研究者たちは、自らの知見の限界についても注意深く述べています。「正解」として使用されたテスト用の回答は、ユーザー自身によるものであり、ユーザーはウォッチの推測を見てから承認を行いました。これは、システムが独立した観察者ではなく、ユーザー自身の自信やバイアスに影響を受けている可能性があることを意味します。さらに、本研究は、ユーザーが手動で開始する6つの特定の活動に焦点を当てており、人が一日中何をしているかを自動的に判断するシステムではありませんでした。また、システムは教えられた6つの活動以外の新しい種類の活動を学習しようとはしませんでした。

それにもかかわらず、核心となる発見は重要です。ウェアラブルデバイスは、一般的な人間の動きの理解からスタートし、単純な人間によるフィードバックを通じて、個人の独自のスタイルに適応できることを実証しました。それは、数週間のデータを待つ空白のステート（白紙の状態）である必要も、硬直した、変更不可能なプログラムである必要もありません。即時のスマートな調整と、緩やかな個人的学習を分離することで、システムは、単なるセンサーではなく、現実世界で健康を監視するための真に適応的なコンパニオンとしてのスマートウォッチへの道筋を示しました。この研究は、ウェアラブルな健康モニタリングの未来が、コンピュータを単独で賢くすることにあるのではなく、デバイスが一度に一つの確認された活動を通じて、装着している人から学ぶというパートナーシップの中にあることを示唆しています。