[論文レビュー] Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition

Parisa Fard Moshiri, Hojjat Navidan+3 more|arXiv (Cornell University)|Apr 23, 2020

Context-Aware Activity Recognition SystemsComputer Science参考文献 15被引用数 21

ひとこと要約

本論文は、生成対抗ネットワーク（GAN）を用いてチャネル状態情報（CSI）データを合成することで、WiFi信号を用いた屋内人体活動認識（HAR）の精度を向上させる半教師付きディープラーニングフレームワークを提案する。実際のCSIデータの50％とGANで生成されたデータを組み合わせ、PCAおよびSTFTを用いた特徴抽出とLSTMを適用することで、完全に実際のデータのみを用いる場合と比較して分類精度を3.4％向上させ、ログ損失を16％削減した。

ABSTRACT

Indoor human activity recognition (HAR) explores the correlation between human body movements and the reflected WiFi signals to classify different activities. By analyzing WiFi signal patterns, especially the dynamics of channel state information (CSI), different activities can be distinguished. Gathering CSI data is expensive both from the timing and equipment perspective. In this paper, we use synthetic data to reduce the need for real measured CSI. We present a semi-supervised learning method for CSI-based activity recognition systems in which long short-term memory (LSTM) is employed to learn features and recognize seven different actions. We apply principal component analysis (PCA) on CSI amplitude data, while short-time Fourier transform (STFT) extracts the features in the frequency domain. At first, we train the LSTM network with entirely raw CSI data, which takes much more processing time. To this end, we aim to generate data by using 50% of raw data in conjunction with a generative adversarial network (GAN). Our experimental results confirm that this model can increase classification accuracy by 3.4% and reduce the Log loss by almost 16% in the considered scenario.

研究の動機と目的

• 屋内人体活動認識のための実際のCSIデータを収集する際の高コストとデータ収集の負担を低減すること。
• 限られた実際のデータを用いて、CSIベースのHARシステムにおける分類精度を向上させること。
• GANを用いた合成データの有効性が、HAR向けディープラーニングモデルの性能向上に寄与するかを検証すること。
• PCA、STFT、LSTMを統合した半教師付き学習パイプラインを構築し、強固な特徴抽出と分類を実現すること。

提案手法

• 実際のCSI振幅データの50％を用いて、生成対抗ネットワーク（GAN）を訓練し、合成CSIサンプルを生成する。
• 主成分分析（PCA）を用いて、CSI振幅データの次元を低減する。
• 短時間フーリエ変換（STFT）を用いて、CSI信号からの周波数ドメイン特徴を抽出する。
• 実際のCSIデータとGANで生成されたデータの組み合わせを用いて、LSTMネットワークを訓練し、時系列モデリングと活動分類を実行する。
• モデルは半教師付き学習戦略を採用しており、GANがデータの多様性を高めつつ、完全にラベル付けされた実際のデータへの依存度を最小限に抑える。
• 7つの屋内人体活動からなるデータセットを用いて、分類性能を正確度とログ損失の指標で評価する。

実験結果

リサーチクエスチョン

• RQ1 GANで生成された合成CSIデータは、屋内人体活動認識におけるディープラーニングモデルの性能向上に有効に機能するか？
• RQ2 実際のデータと合成データを組み合わせることで、完全に実際のデータのみを用いる場合と比較して、分類精度がどの程度向上するか？
• RQ3 PCAとSTFTをLSTMに統合することで、CSIベースのHARにおける特徴表現がどのように向上するか？
• RQ4 半教師付き学習戦略は、大規模な実際のCSIデータ収集の必要性を低減するか？

主な発見

• 提案手法は、実際のCSIデータのみで学習を行う場合と比較して、分類精度を3.4％向上させた。
• 実際のデータとGANで生成されたデータの組み合わせを用いる際、ログ損失は約16％削減された。
• GANで生成されたデータの使用は、特に実際のデータが限られている状況において、モデルの一般化性能を顕著に向上させた。
• PCAとSTFTの統合により特徴表現が向上し、LSTMの性能向上を支援した。