【お試し】GenSpark kaggle CMI3 overview

chatGPTでまとめ→md出力→genspark
って流れ。

Transcript

1. 発表者: [ あなたのお名前] [ 所属]     CMI センサーデータ行動検出コンペティショ ン Kaggle 『CMI - Detect Behavior with Sensor Data 』技術プレゼンテーション 主催: Child Mind Institute / Kaggle 2025 年6 月21 日 Genspark で作成
2. コンペティション概要  目的：センサーデータによりBFRB （身体集中反復行動）を自動検知  開催期間：2025 年5 月30 日～8 月26 日  賞金総額：$50,000  特徴：IMU 、ToF 、サーモパイルセンサデータを時系列で活用  評価指標：Binary F1 スコア＋各BFRB 種別のMacro F1 スコアの平均 CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 Genspark で作成
3. データセット詳細：Helios デバイス・搭載センサー Helios デバイス：腕時計型センサー装置  IMU: 加速度・ジャイロ・地磁気（BNO080/BNO085 ）  ToF 距離センサ：複数配置で手の動きを追跡  サーモパイル：複数の温度センサで熱変化を検知  収集データ：18 種類の動作を複数姿勢で記録  BFRB 行動：髪を引っ張る、皮膚を摘む、爪を噛むなど  非BFRB 行動：眼鏡を直す、顔を触るなどの日常動作 Helios デバイス概念図  IMU ToF サーモパイル センサーデータ構造サンプル # IMU, ToF, サーモパイルのデータ形式例 { "timestamp": 1622568431.245, "acc_x": -0.023, "acc_y": 9.812, "acc_z": 0.564, "gyro_x": 0.012, "gyro_y": -0.002, "gyro_z": 0.001, "tof_1": 128.45, "tof_2": 156.78, CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 Genspark で作成
4. データ構造・ファイル概要  train.csv / test.csv ：時系列センサーデータ  タイムスタンプごとのIMU, ToF, 温度センサの値  train のみ：動作の種類（18 クラス）のラベル付き  *_demographics.csv ：参加者属性情報  年齢, 性別(0= 女性/1= 男性), 利き手(0= 左/1= 右)  身長, 肩→ 手首長, 肘→ 手首長 ( 単位: cm)  データ品質の注意点：  センサー欠損値（NaN ）や異常値の存在  IMU データには重力加速度（約9.81m/s² ）が含まれる ファイル構成と関連  train.csv / test.csv 時系列センサーデータ ( 数百万行)  train_demographics.csv / test_demographics.csv 参加者ごとの身体・属性データ ( 数十行)  参加者ID でデータ間を紐付け train.csv データサンプル # 各行がタイムスタンプごとのセンサー読み取り値 series_id, timestamp, acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z, tof_1, tof_2, tof_3, tof_4, temp_1, temp_2, temp_3, participant_id, gesture, label  データのキーポイント • 各参加者は複数のジェスチャーを異なる姿勢で実施 • 計18 種類の動作（8 種BFRB + 10 種非BFRB ） • 欠損センサーデータの適切な前処理が必須 • 個人差を考慮した特徴量設計が有効 CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 Genspark で作成
5. EDA ：センサー挙動とジェスチャー特徴  IMU （加速度/ 角速度） ：BFRB での特徴的パターン  上方向加速度：対象部位へ手を運ぶ動作で明確なピーク  角速度パターン：髪を引っ張る動作で特有の回転角度変 化  ToF 距離センサ：接近パターンで行動検知  距離急減：BFRB 動作で手が頭部に近づくと急激な距離 縮小  持続時間：BFRB 動作は非BFRB より接近状態が長く継 続  サーモパイル（温度） ：熱変化で接触検知  温度上昇：顔や頭部への接触で体温を検知し値が上昇  接触パターン：皮膚接触と空中動作で異なる熱的シグネ チャ BFRB 動作と非BFRB 動作の加速度パターン比較 センサー挙動のマルチモーダル分析 ToF 距離 温度 加速度Y 時間経過 → 高 0 低 0 秒 時間 5 秒 BFRB 非BFRB BFRB 接触 動作 CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 Genspark で作成
6. 特徴量エンジニアリングの要点  主要特徴量：効果的なBFRB 検出のためのシグナル  距離変化率（ToF ） ：手が頭部へ近づく速度を検出  加速度Y 軸最大値：上方向への手の動きを捉える  加速度エネルギー：X/Y/Z 軸の信号強度の積分値  IMU 前処理：重力成分の除去と動的成分抽出  姿勢推定情報：クォータニオン/ オイラー角で重力補正  時系列区間統計：ウィンドウ単位の特徴量  統計指標：平均、分散、ピーク数、周波数特性 主要特徴量の重要度 ToF 距離変化率 加速度Y 軸最大値 加速度X 軸エネルギー ジャイロZ 軸標準偏差 IMU重力成分除去と特徴量抽出コード例 # 重力成分を除去して線形加速度を抽出 def remove_gravity(acc_data, orientation): # クォータニオンから回転行列を計算 R = quaternion_to_rotation_matrix(orientation) # 重力ベクトル [0, 0, 9.81] を逆変換 gravity = np.dot(R.T, np.array([0, 0, 9.81])) CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 tof_rate_of_change 0.95 acc_y_max 0.82 acc_x_energy 0.78 gyro_z_std 0.65 Genspark で作成
7. ディスカッション動向・機械学習的アプローチ  伝統的ML ：特徴量エンジニアリングベース  LightGBM/RandomForest ：手作業特徴量での初期スコ ア0.5 〜0.6  深層学習：時系列データ向けアーキテクチャ  1D CNN ：センサー信号からの特徴抽出  LSTM/GRU ：注意機構付き双方向モデルでF1 0.7 台  データ処理手法：モデル性能向上の鍵  前処理：重力除去・スケーリング・個人差補正  データ拡張：時間伸縮・シフト・ノイズ付加  アンサンブル：複数モデル融合によるLeaderboard 上位 コンペで議論されているモデルアーキテクチャ 特徴量エンジニアリング ↓ LightGBM / RandomForest ↓ 予測結果 生センサーデータ ↓ 1D CNN / RNN 層 ↓ Attention 層 ↓ 予測結果 上位モデル実装例（Pytorch） class SensorModel(nn.Module): def __init__(self, input_dim=12): super().__init__() # IMUデータ用の1D CNN self.conv_imu = nn.Conv1d(9, 32, kernel_size=3) # ToF/温度データ用の処理 CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 Genspark で作成
8. 技術的課題と今後の展望  技術的課題：センサー間同期、個人差補正、ノイズ除去、欠損データ処理  評価指標最適化：Binary F1 とMacro F1 のバランス、クラス不均衡対策  実運用へ向けて：一般化性能、エッジデバイス実装、省電力化、リアルタイム処理  解釈性向上：医療関係者・ユーザーへの説明可能な検出アルゴリズム開発  現状のベストプラクティス：マルチモーダル特徴抽出、センサー融合、深層学習 CMI - Detect Behavior with Sensor Data 2025 年6 月21 日 Genspark で作成