[論文レビュー] Human Biometric Signals Monitoring based on WiFi Channel State Information using Deep Learning

Moyu Liu, Zihuai Lin+2 more|arXiv (Cornell University)|Mar 8, 2022

Wireless Networks and Protocols被引用数 11

ひとこと要約

本稿では、WiFiチャネル状態情報（CSI）を用いた深層学習フレームワークを提案し、心拍数と呼吸数をそれぞれ99.109%および98.581%の精度で同時に推定するとともに、独自のWiFi睡眠段階ニューラルネットワーク（W2SN）を用いて4つの睡眠段階（覚醒、NREM軽度、NREM重度、レム睡眠）を95.925%の精度で分類する。このW2SNは、運動、呼吸、心拍信号を含む生のCSIデータを活用する。

ABSTRACT

In this paper, we first present a single-input, multiple-output convolutional neural network that can estimate both heart rate and respiration rate simultaneously by exploiting the underlying link between heart rate and respiration rate. The inputs to the neural network are the amplitude and phase of channel state information collected by a pair of WiFi devices. Our WiFi-based technique addresses privacy concerns and is adaptable to a variety of settings. This system overall accuracy for the heart and respiration rate estimation can reach 99.109% and 98.581%, respectively. Furthermore, we developed and analyzed two deep learning-based neural network classification algorithms for categorizing four types of sleep stages: wake, rapid eye movement (REM) sleep, non-rapid eye movement (NREM) light sleep, and NREM deep sleep. This system overall classification accuracy can reach 95.925%

研究の動機と目的

• 市販のWiFiデバイスを用いて、低複雑性かつプライバシー保護型の継続的ヒューマンバイオメトリクスモニタリング手法を開発すること。
• 複雑な特徴工学を用いずに、心拍数と呼吸数を同時にかつ高精度に推定する課題に対処すること。
• 生のWiFi CSIデータを用いて、運動、呼吸、心拍動態を同時に捉え、覚醒、NREM軽度、NREM重度、レム睡眠の4つの睡眠段階を非侵襲的かつ非接触で分類し、睡眠の質を評価すること。
• 生のCSIデータと、抽出された心肺カップリング（CPC）信号を用いた深層学習モデルの性能を比較すること。

提案手法

• H3RNと呼ばれる、WiFi CSIの振幅成分と位相成分から、心拍数と呼吸数を同時に推定する単一入力・マルチアウトプットの畳み込みニューラルネットワーク（CNN）を設計した。
• H3RNは、心拍数と呼吸数の内在的相関を活用することで、従来の特徴選択手法と比較して計算コストを低減し、精度を向上させた。
• 生のCSIデータを用いるW2SNと、抽出されたCPC信号を用いるCPCニューラルネットワークの2つの深層学習モデルを開発し、4つの睡眠段階を分類した。
• W2SNは4層の畳み込み層アーキテクチャを採用し、全CSI行列を処理することで、同時に運動、呼吸、心拍動態を捉えた。
• 802.11n準拠のWiFiデバイスを用い、OFDM方式で56のサブキャリアを用いて、バイオメトリクスおよび睡眠段階推定の両方において、リアルタイムでCSIデータを収集した。
• 睡眠サイクルの知識に基づく誤り訂正メカニズムを提案し、特にレム睡眠や覚醒などサンプル数が少ないカテゴリの誤分類を低減した。

実験結果

リサーチクエスチョン

• RQ1 生のWiFi CSIから、高精度かつ低計算コストで心拍数と呼吸数を同時に推定できる深層学習モデルは構築可能か？
• RQ2 生のCSIに含まれる身体の運動情報を取り入れることで、CPC信号のみを用いる場合と比較して、睡眠段階分類性能はどのように向上するか？
• RQ3 4つの明確な睡眠段階を分類する際、処理済みのCPC信号と比較して、生のCSIデータを用いることで得られる性能向上はどの程度か？
• RQ4 提案されたシステムは、ウェアラブルセンサーを用いずに、異なる姿勢（寝た状態と立った状態）においても、バイオメトリクスモニタリングおよび睡眠ステージングの高精度を達成できるか？

主な発見

• H3RNモデルは、心拍数に対して平均絶対誤差百分率（MAPE）が0.6042%、呼吸数に対して0.2 bpmを記録し、それぞれ99.109%および98.581%の精度を達成した。
• 寝た姿勢では、呼吸数の精度が99.272%、心拍数が98.591%であった。立った姿勢では、それぞれ99.1032%および98.666%の精度を示した。
• W2SNモデルは、睡眠段階分類精度として95.925%を達成し、CPCベースのネットワーク（90.15%）および既存手法（[55]：81.8%、[58]：74.3%）を著しく上回った。
• 混同行列の結果、全睡眠段階の分類精度が92%を超えており、特にNREM軽度およびNREM重度睡眠段階で最高の性能を示した。
• W2SNは2層および5層のCNNバージョン（それぞれ63.275%および過学習）を上回り、4層の畳み込み層が最適な深さであることを確認した。
• W2SNの優れた性能は、CPC信号に存在しない生のCSIに含まれる運動ダイナミクスに起因し、分類に向けたより豊かな時間周波数特徴を提供している。