[論文レビュー] Environment and Person Independent Activity Recognition with a Commodity IEEE 802.11ac Access Point.

Francesca Meneghello, Domenico Garlisi+3 more|arXiv (Cornell University)|Mar 17, 2021

Indoor and Outdoor Localization Technologies参考文献 43被引用数 5

ひとこと要約

この論文では、市販のIEEE 802.11ac WiFiアクセスポイントを用いて、被験者および環境に依存しない人体活動認識システムを提案する。チャネル周波数応答（CFR）からドップラー周波数変化を抽出・分析することで、未学習の人物、日付、環境においても平均95%以上の精度を達成する。ドップラーに基づく特徴量に対するニューラルネットワークの学習を活用している。

ABSTRACT

Here, we propose an original approach for human activity recognition (HAR) with commercial IEEE 802.11ac (WiFi) devices, which generalizes across different persons, days and environments. To achieve this, we devise a technique to extract, clean and process the received phases from the channel frequency response (CFR) of the WiFi channel, obtaining an estimate of the Doppler shift at the receiver of the communication link. The Doppler shift reveals the presence of moving scatterers in the environment, while not being affected by (environment specific) static objects. The proposed HAR framework is trained on data collected as a person performs four different activities and is tested on unseen setups, to assess its performance as the person, the day and/or the environment change with respect to those considered at training time. In the worst case scenario, the proposed HAR technique reaches an average accuracy higher than 95%, validating the effectiveness of the extracted Doppler information, used in conjunction with a learning algorithm based on a neural network, in recognizing human activities in a subject and environment independent fashion.

研究の動機と目的

• 市販のWiFiハードウェアを用いて、異なる個人、日付、環境に一般化可能な人体活動認識（HAR）を可能にすること。
• 新しい被験者や環境でテストした際に著しく性能が低下する既存のHARシステムの限界を克服すること。
• 人体の運動検出に耐障害性の高い、環境に依存しない特徴として、チャネル周波数応答（CFR）におけるドップラー周波数変化を活用すること。
• 生のWiFi位相測定値から意味のあるドップラー情報を抽出・クリーニングする処理パイプラインを構築すること。
• ドップラー特徴量を用いてニューラルネットワークを学習させ、実世界の未学習の展開環境でも高い精度を達成すること。

提案手法

• 受信機におけるIEEE 802.11ac信号の位相情報からチャネル周波数応答（CFR）を抽出する。
• CFR内の生の位相測定値からノイズや干渉を除去するためのクリーニングおよび前処理手法を適用する。
• 時間的に変化するCFRの位相からドップラー周波数変化を計算し、移動散乱体の径方向速度を反映させる。
• 活動認識のためのニューラルネットワーク分類器の主な特徴量としてドップラー周波数変化を用いる。
• 制御された条件下で1人の被験者が4つの異なる活動を実行したデータを用いてニューラルネットワークを学習する。
• 異なる人物、日付、環境から収集したテストデータを用いて、汎化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 市販の802.11ac WiFi信号から抽出したドップラー周波数変化は、異なる個人においても人体の運動を信頼性高く検出できるか？
• RQ2 提案手法のHARシステムは、従来の手法と比較して、未学習の環境や日付においてどの程度一般化性能を発揮するか？
• RQ3 他のHARシステムに影響を及ぼす静的環境変化に対して、ドップラー特徴量セットはどの程度耐障害性を示すか？
• RQ4 トレーニング時に見られなかった新しい被験者や新しい展開環境でテストした際、システムの性能はどの程度か？

主な発見

• 提案されたHARシステムは、トレーニング時に未確認の人物および環境が含まれる最悪ケースにおいても、平均95%以上の精度を達成する。
• チャネル周波数応答から抽出したドップラー周波数変化は、静的環境的要因に強く影響を受けないため、HARに安定した特徴量を提供する。
• 本手法は、異なる個人、日付、環境にわたって効果的に一般化でき、環境に特化したキャリブレーションを必要とする従来手法を上回る。
• ドップラー特徴量を用いたニューラルネットワークの利用により、新しい被験者や設定に対して再トレーニングが不要であり、高い認識精度を達成できる。
• テスト環境がトレーニング環境と著しく異なる場合でも、高い性能を維持することができ、強力な一般化能力を示している。