[論文レビュー] Attention-based Walking Gait and Direction Recognition in Wi-Fi Networks

Yang Xu, Min Chen+3 more|arXiv (Cornell University)|Nov 17, 2018

Indoor and Outdoor Localization Technologies参考文献 39被引用数 5

ひとこと要約

本論文は、一般のWi-FiデバイスからのCSI測定値を用いて、サイクルに依存しない歩行パターンと歩行方向の認識を実現する注目メカニズムを備えたRNNエンコーダ・デコーダフレームワークを提案する。2つの受信機からのデータを統合し、注目メカニズムを活用してCSI系列の重要部分に動的に焦点を当てることで、屋内環境において歩行パターン認識で平均97.68%の精度と89.69%のF₁スコア、歩行方向認識で98.75%の精度と95.06%のF₁スコアを達成した。

ABSTRACT

The study of human gait recognition has been becoming an active research field. In this paper, we propose to adopt the attention-based Recurrent Neural Network (RNN) encoder-decoder framework to implement a cycle-independent human gait and walking direction recognition system in Wi-Fi networks. For capturing more human walking dynamics, two receivers together with one transmitter are deployed in different spatial layouts. In the proposed system, the Channel State Information (CSI) measurements from different receivers are first gathered together and refined to form an integrated walking profile. Then, the RNN encoder reads and encodes the walking profile into primary feature vectors. Given a specific recognition task, the decoder computes a corresponding attention vector which is a weighted sum of the primary features assigned with different attentions, and is finally used to predict the target. The attention scheme motivates our system to learn to adaptively align with different critical clips of CSI data sequence for human walking gait and direction recognitions. We implement our system on commodity Wi-Fi devices in indoor environment, and the experimental results demonstrate that our system can achieve average F1 scores of 89.69% for gait recognition from a group of 8 subjects and 95.06% for direction recognition from 8 walking directions, in addition, the average accuracies of these two recognition tasks both exceed 97%.

研究の動機と目的

• Wi-Fi信号を用いてサイクルに依存しない歩行パターンと歩行方向認識システムを開発すること。
• 歩行サイクル検出や手作業で特徴を抽出する従来の手法の限界を克服すること。
• RNNにおける注目メカニズムを活用し、CSIデータの重要な時間的セグメントに適応的に焦点を当てる仕組みを構築して認識性能を向上させること。
• 統一されたディープラーニングフレームワークを用いて、歩行パターン認識と方向認識の両タスクを同時に学習すること。
• ウェアラブルデバイスや視線が確保されている条件を必要としない、非侵襲的かつ被験者に負担をかけないヒューマンセンシングを実現すること。

提案手法

• 歩行者の多視点のCSI測定を取得するために、空間的に異なる配置の1台の送信機と2台の受信機を設置する。
• 両受信機からのCSIデータを統合し、1つの統合された歩行プロファイルに集約・精錬する。
• RNNエンコーダを用いて歩行プロファイルを処理し、主な特徴を表す隠れ状態の系列を生成する。
• タスク固有のデコーダを採用し、エンコーダの隠れ状態の重み付き和として注目ベクトルを計算する。
• ソフト注目メカニズム（式9）を適用し、認識タスクに寄与する関連性に基づいて、CSI系列内の異なる時間ステップに重要度を動的に割り当てる。
• エンド・トゥ・エンド学習を用いて、エンコーダ・デコーダモデルを歩行パターン認識と方向認識の両タスクに対して同時に学習させる。

実験結果

リサーチクエスチョン

• RQ1 注目メカニズムを備えたRNNエンコーダ・デコーダフレームワークは、一般のWi-FiデバイスからのCSIを用いて、サイクルに依存しない歩行パターン認識を達成できるか？
• RQ2 同じモデルが、歩行サイクルのセグメンテーションを必要とせずに、歩行方向と歩行パターンを同時に認識できるか？
• RQ3 注目メカニズムは、歩行パターン認識および方向認識のためのCSIデータの重要な時間的セグメントを特定するのにどの程度有効か？
• RQ4 本手法は、従来の信号処理手法や手作業で特徴を抽出するアプローチと比較して、どの程度の性能向上を達成するか？
• RQ5 実際の屋内環境における歩行パターンの変動や被験者固有のダイナミクスの変化に対して、本システムはどの程度の耐性を示すか？

主な発見

• 提案手法は、8名の被験者を対象に歩行パターン認識で平均F₁スコア89.69%、平均精度97.68%を達成した。
• 8種類の異なる歩行方向を対象に歩行方向認識を実施したところ、平均F₁スコア95.06%、平均精度98.75%を達成した。
• 注目可視化により、モデルが自動的に高エネルギーで情報量の多いCSIスペクトログラムのセグメントに焦点を当てることが確認された。特に、明確な歩行ダイナミクスを含む部分に注目していた。
• 注目メカニズムにより、手動による歩行サイクルへのセグメンテーションを必要とせず、重要なクリップに適応して認識が可能になった。
• 被験者およびタスクの両面で優れた一般化性能を示し、個々のクラスの精度はすべて95%を超えていた。
• 複数受信機からのCSIデータ統合により、単一受信機の設定と比較して、特徴表現の質と認識のロバスト性が顕著に向上した。