概要
スマートホームのセンサデータから日常行動認識をやってみます．
今回対象とするセンサは，ドアやいろいろな家具，器具に取り付けられた動きセンサで，そこから取得されるオンオフデータから行動のラベルを推定します．
Yala氏の手法を参考にしました．
https://hal.archives-ouvertes.fr/hal-01202168/file/Inista_Yala_Session5B.pdf
コードも拙いですが，公開しました．（何かしら問題があればコメントなどいただけると幸いです．）
jupyterを使ってpython3で書いてます．pandas，sklearnなどのライブラリを使っております．
https://github.com/LittleWat/ActivityRecognitionInSmartHome
データセット
ワシントン州大学で取得されたデータセット（ http://ailab.wsu.edu/casas/datasets/ ）をありがたく使わせていただきます．
ここの研究室(?)，活動が2014年で止まっているようで残念です．
今回はこのうち，17番のArubaデータセットを用います．
Arubaデータセットのセンサ配置
Raw Data
行動認識のパイプライン
DataSegmentation
実際は，上手のように，activityごとに，時間幅やセンサ数幅など異なっており，うまく扱う必要がありそうですが，
今回は，単純にRaw Dataの一定数行(10行)ごとに（センサ数幅で）データを切り分けました．
Feature Extraction
Feature Engineeringをするわけですが，今回はYala氏の手法のうちベースラインの方法と最終状態のON/OFFを特徴量とする手法の2つのみ試してみました．
ベースラインの手法
最終状態を特徴量とする手法
時刻がスカラー値になっておりますが，どうスカラー値にencodigするか不明だったため，1日24時間ということで24次元のone-hot-vectorにencodingしました．
結果
ベースラインの手法（Accuracy: 0.913）
最終状態を特徴量とする手法（Accuracy: 0.920）
どちらも特にパラメータチューニングなどやったわけではないですが，高い精度が出ました．
簡単すぎる問題設定だったようです，
まとめ
Yala氏の手法を実装して，それなりの結果が出ることを確認しました．
jupyter + pandas + seaborn
の組み合わせはやはり便利ですね^^