肌の色判定の課題
ウェアラブル機器から得られるPPG信号を使って、肌の色を分類する研究があります。これはフィッツパトリック分類という6段階の基準に基づきます。しかし、この基準は人が色見本と見比べて決めるため、主観的な誤差が多く含まれていました。そのため、従来の正解率は40%から55%と低い水準でした。この低い正解率では、PPG信号から肌の色を正確に判定できるとは言えませんでした。
「許容正解率」という新しい評価軸
私たちはこの課題を解決するため、「許容正解率」という考え方を導入しました。これは、予測した肌の色の種類が、実際の判定から±1種類以内であれば「正解」と見なす仕組みです。この許容範囲を設けることで、従来の正解率では見えなかった、より高い精度を示すことができました。この高い許容正解率は、PPG信号が肌の色に影響を受けていることを強く示唆します。
様々な機械学習手法とその結果
肌の色の分類には、三つの機械学習手法を試しました。一つ目は、生PPG信号に深層学習やツリーベースのモデルを使う方法です。二つ目は、SPAR方式で画像化した信号に深層学習を適用するやり方です。三つ目は、PPG信号から特徴を抽出し、機械学習にかける手法です。特に、生信号への深層学習では、クロスエントロピー損失関数（予測と正解のずれを数値化する計算式）に許容範囲のある版を適用しました。これが最も良い結果を出しています。
私の見方と今後の展望
ツリーベースのモデルを生信号に適用した場合、従来の正解率は最大55%でした。しかし、許容正解率は最大96%に達しました。SPAR画像への深層学習は、従来の正解率44%、許容正解率85%です。PPGの特徴を使った機械学習も、従来の正解率42%、許容正解率87%と、SPAR方式と近い結果でした。この研究は、PPG信号から肌の色を分類できることを高い許容正解率で示しています。肌の色は健康状態や医療処置にも関わるため、ウェアラブル機器での正確な判定は大きな意味を持つでしょう。私はこの技術が、よりパーソナルな健康管理の土台になると考えています。
PR
文賢 →
肌の色の判定は、主観性が課題でした。この「許容正解率」は、その課題に現実的な解を与えます。完璧な正解より、許容範囲内での実用性が重要です。私はこの考え方を、AIの現場での評価基準にすぐ取り入れます。
