知識 リソース 歩行分析でLeave-One-Subject-Out(LOSO)交差検証戦略が使用されるのはなぜですか?ユニバーサル精度を確保する
著者のアバター

技術チーム · 3515

更新しました 1 week ago

歩行分析でLeave-One-Subject-Out(LOSO)交差検証戦略が使用されるのはなぜですか?ユニバーサル精度を確保する


Leave-One-Subject-Out(LOSO)交差検証戦略は、歩行分析アルゴリズムの重要なストレステストとして機能し、モデルがこれまで遭遇したことのない個人の動きを正確に解釈できるかどうかを判断します。この方法では、特定の被験者のデータをトレーニングセットから周期的に削除し、検証専用に使用することで、アルゴリズムはトレーニング参加者のユニークな癖を記憶するのではなく、一般的な生体力学的原則を学習するように強制されます。

LOSOの核となる価値は、個々の身体的特徴や習慣によって引き起こされるバイアスを排除することです。これは、アルゴリズムの「普遍性」を証明し、ユーザー固有の身長、脚長、または個人の歩行スタイルに関係なく、標準化された製品(大量市場向けのトレーニングシューズなど)に対して正確な測定値を提供することを保証します。

個々のバイアスの問題

解剖学的構造への過学習の回避

人間の歩行は、静的な身体的特徴に大きく影響されます。身長脚長などの要因は、自然に歩幅や歩行頻度を決定します。

LOSOがない場合、標準的な機械学習モデルは、特定の脚長と特定の歩行出力を単純に関連付ける可能性があります。LOSOは、モデルがトレーニングしていない脚長でテストされることを保証することでこれを防ぎ、体型ではなく動きを分析するように強制します。

個人的な特異性のフィルタリング

すべての個人は、一般集団を代表しないユニークな個人的な歩行習慣を持っています。これらには、わずかな跛行、特定の足の着地、または姿勢の癖が含まれる場合があります。

アルゴリズムが同じ人物でトレーニングおよびテストを行う場合(異なるステップを使用しても)、その特定の人物の習慣を認識することを学習します。LOSOは、モデルがこれらのユニークな識別子を無視し、歩行の基本的なメカニズムに焦点を当てることを保証します。

アルゴリズムの普遍性の達成

一般化の証明

LOSOを使用する主な目的は、ソリューションの普遍性を確立することです。これは、ロジックが小さな管理されたグループだけでなく、多様な集団全体で真実であることを確認します。

これは、被験者のデータをトレーニングバケットとテストバケットの両方に混在させる可能性のある標準的なランダム分割検証とは異なります。このアプローチは、モデルが被験者認識を通じて「不正行為」を可能にすることで、精度スコアを人為的に引き上げます。

標準化された製品開発の促進

標準化されたトレーニングシューズやスニーカーの開発などの商業用途では、基盤となるアルゴリズムは大量市場で機能する必要があります。

メーカーは、すべての顧客に対してカスタムアルゴリズムを作成することはできません。LOSOは、単一のソフトウェアソリューションを標準化された物理製品に展開でき、新しいユーザーに対してすぐに正しく機能することを検証します。

トレードオフの理解

現実のチェック

LOSOを使用する主な「トレードオフ」は、より厳密でない検証方法と比較して、精度スコアが低くなることが多いことです。

標準的なランダム分割は、モデルが被験者を認識するため、しばしば楽観的なパフォーマンスメトリックを生成します。LOSOは、モデルが真に未知のデータでどのように機能するかという厳しい現実を明らかにします。

厳格なデータ分離

LOSOは、データ処理における厳格な規律を必要とします。テスト被験者のデータのほんの一部でもトレーニングセットに漏れることは許されません。

この分離が侵害された場合、普遍性の主張は無効になり、身体的特徴に関連するバイアスが結果を歪めるために戻ってきます。

目標に合わせた適切な選択

歩行分析方法論を評価する際には、最終的な目標を考慮してください。

  • 大量市場向けのハードウェア(例:スマートシューズ)の開発が主な焦点である場合:校正なしで、さまざまな身長や脚長の顧客に対応する製品を保証するために、LOSOの結果を優先する必要があります。
  • パーソナライズされた医療診断が主な焦点である場合:LOSOはベースラインの確立に役立ちますが、最終的には純粋な普遍性ではなく、被験者固有の微調整が必要になる場合があります。

最終的に、LOSOは、アルゴリズムが単に特定の人間を識別するのではなく、人間の歩行を測定していることを保証する唯一の検証方法です。

概要表:

特徴 標準ランダム検証 Leave-One-Subject-Out(LOSO)
コア目標 データポイントの一般的な精度 新しい個人に対する普遍性のテスト
過学習リスク 高(被験者の癖を記憶する) 低(一般的な生体力学を強制する)
データ分離 トレーニング/テストでの被験者データの混在 参加者ごとの厳格な分離
パフォーマンス しばしば人為的に誇張される 現実的で厳格な「ストレステスト」
アプリケーション 内部データセットテスト 大量市場製品開発

高性能フットウェアソリューションについては3515と提携してください

グローバルディストリビューターおよびブランドオーナーにサービスを提供する大規模メーカーとして、3515は高度な生体力学的洞察を活用して、すべてのカテゴリーで優れたフットウェアを提供しています。当社の包括的な生産能力により、ハイテク安全靴、タクティカルブーツ、または大量市場向けのトレーニングシューズやスニーカーを開発する場合でも、当社の製品は普遍性とパフォーマンスの最高水準を満たしています。

お客様への当社の価値:

  • フラッグシップセーフティシリーズ:多様な産業ニーズに対応する堅牢な保護機能。
  • フルスペクトラムポートフォリオ:ドレス&フォーマルシューズから特殊なアウトドアおよびアスレチックギアまで。
  • バルク製造の卓越性:一貫性と品質を要求するブランド向けに設計されたスケーラブルなソリューション。

動きの科学を理解するパートナーと共にフットウェアラインをレベルアップする準備はできていますか?大量の要件について話し合うために、今すぐお問い合わせください

参考文献

  1. Abdul Aziz Hulleck, Kinda Khalaf. BlazePose-Seq2Seq: Leveraging Regular RGB Cameras for Robust Gait Assessment. DOI: 10.1109/tnsre.2024.3391908

この記事は、以下の技術情報にも基づいています 3515 ナレッジベース .

よくある質問


メッセージを残す