[논문 리뷰] A Multiple Source Framework for the Identification of Activities of Daily Living Based on Mobile Device Data.

Ivan Miguel Pires, Nuno M. García외 2명|arXiv (Cornell University)|2017. 10. 31.

Context-Aware Activity Recognition Systems참고 문헌 34인용 수 3

한 줄 요약

이 논문은 움직임, 자석, 음향 및 위치 센서와 같은 표준 이동식 기기 센서를 사용하여 일상 활동(ADL) 인식에 강력한 성능을 발휘하는 다중 소스 프레임워크를 제안한다. 인공신경망을 통해 데이터를 융합함으로써 표준 ADL를 분류하는 데 85.89%에서 100%의 정확도를 달성하였으며, 환경 식별에서는 86.50%의 정확도를 기록하여 센서 융합을 통한 뛰어난 성능을 입증하였다.

ABSTRACT

Most mobile devices include motion, magnetic, acoustic, and location sensors. They allow the implementation of a framework for the recognition of Activities of Daily Living (ADL) and its environments, composed by the acquisition, processing, fusion, and classification of data. This study compares different implementations of artificial neural networks, concluding that the obtained results were 85.89% and 100% for the recognition of standard ADL. Additionally, for the identification of standing activities with Deep Neural Networks (DNN) respectively, and 86.50% for the identification of the environments with Feedforward Neural Networks. Numerical results illustrate that the proposed framework can achieve robust performance from the data fusion of off-the-shelf mobile devices.

연구 동기 및 목표

• 표준 이동식 기기 센서를 사용하여 일상 활동(ADL)을 식별하기 위한 확장 가능하고 다중 소스 프레임워크를 개발하는 것.
• ADL 인식 및 환경 분류에 적합한 다양한 인공신경망 아키텍처의 성능을 평가하고 비교하는 것.
• 움직임, 자석, 음향 및 위치 센서에서 유도된 센서 데이터 융합이 인식 정확도 향상에 미치는 영향을 평가하는 것.
• 특수 하드웨어 없이도 표준 이동식 기기로 실생활 ADL 모니터링이 가능한지 검증하는 것.

제안 방법

• 표준 이동식 기기의 다양한 센서—움직임, 자석, 음향 및 위치—로부터 데이터를 수집한다.
• 센서 데이터는 사전 처리되고 시간적으로 정렬되어 다양한 모odal 간 일관된 특징 추출을 가능하게 한다.
• 융합된 센서 데이터를 기반으로 분류 작업을 수행하기 위해 인공신경망, 특히 딥신경망(DNN)과 피드포워드 신경망을 훈련시킨다.
• 데이터 융합은 특징 수준에서 수행되며, 분류 이전에 여러 센서의 입력을 통합한다.
• 프레임워크는 레이블이 부여된 ADL 및 환경 데이터를 사용하여 지도 학습 방식으로 모델을 훈련하고 검증한다.
• 정확도를 포함한 표준 분류 지표를 사용하여 여러 ADL 카테고리에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 이동식 기기 센서에서 유도된 센서 융합은 표준 일상 활동(ADL) 인식에 얼마나 효과적인가?
• RQ2 DNN 및 피드포워드 신경망과 같은 다양한 신경망 아키텍처의 ADL 분류 성능는 어떻게 비교되는가?
• RQ3 특수 하드웨어 없이도 표준 이동식 기기로 활동과 환경을 높은 정확도로 식별할 수 있는가?
• RQ4 움직임, 자석, 음향 및 위치 센서에서 유도된 데이터 융합은 단일 소스 접근 방식에 비해 인식 정확도에 어떤 영향을 미치는가?

주요 결과

• 인공신경망을 사용하여 표준 일상 활동(ADL)을 인식하는 데 85.89%의 정확도를 달성하였다.
• 서 있음 활동에 대해서는 딥신경망(DNN) 모델이 100%의 인식 정확도를 기록하였다.
• 피드포워드 신경망은 활동이 수행된 환경을 식별하는 데 86.50%의 정확도를 달성하였다.
• 다양한 센서 유형에서 유도된 데이터 융합은 단일 센서 접근 방식에 비해 인식 성능을 크게 향상시켰다.
• 제안된 프레임워크는 표준 이동식 기기 센서만을 사용하여도 강력한 성능을 보이며, 실생활 적용 가능성에 높은 잠재력을 보였다.
• 결과는 효과적인 데이터 융합과 신경망 모델링을 결합하면 표준 이동식 기기로도 고정확도의 ADL 인식이 가능하다는 점을 확인시켰다.