[논문 리뷰] A Survey of Human Activity Recognition Using WiFi CSI

Siamak Yousefi, Hirokazu Narui외 3명|arXiv (Cornell University)|2017. 08. 23.

Indoor and Outdoor Localization Technologies참고 문헌 7인용 수 5

한 줄 요약

이 논문은 채널 상태 정보(Channel State Information, CSI)를 활용한 WiFi 기반 피ア싱 인간 활동 인식에 대해 종합적으로 조사하며, 장기 단기 기억(Long Short-Term Memory, LSTM) RNN과 같은 딥러닝 모델이 전통적인 방법들인 은닉 마르코프 모델(Hidden Markov Models, HMM)과 랜덤 포레스트(Random Forest)보다 유의미하게 뛰어난 성능을 보임을 입증한다. 인간의 움직임에 의해 유도되는 CSI의 진폭 및 위상 변화를 분석함으로써, 다양한 환경와 사용자 간에서도 걷기, 달리기, 넘어지기 등의 활동을 90% 이상의 정확도로 분류하는 데 성공하였다.

ABSTRACT

In this article, we present a survey of recent advances in passive human behaviour recognition in indoor areas using the channel state information (CSI) of commercial WiFi systems. Movement of human body causes a change in the wireless signal reflections, which results in variations in the CSI. By analyzing the data streams of CSIs for different activities and comparing them against stored models, human behaviour can be recognized. This is done by extracting features from CSI data streams and using machine learning techniques to build models and classifiers. The techniques from the literature that are presented herein have great performances, however, instead of the machine learning techniques employed in these works, we propose to use deep learning techniques such as long-short term memory (LSTM) recurrent neural network (RNN), and show the improved performance. We also discuss about different challenges such as environment change, frame rate selection, and multi-user scenario, and suggest possible directions for future work.

연구 동기 및 목표

• WiFi 채널 상태 정보(Channel State Information, CSI)를 활용한 피ア싱 인간 활동 인식 분야의 최근 기술 발전에 대한 종합적 조사를 제공하는 것.
• 환경의 변동성, 프레임 레이트 선택, 다중 사용자 시나리오 등 기존 방법의 한계를 규명하는 것.
• 특히 LSTM RNN을 포함한 딥러닝 기법을 CSI 기반 활동 인식에 있어 전통적인 기계학습 모델보다 우수한 대안으로 제안하는 것.
• 위상 노이즈, 다중 경로 효과 및 동적인 환경에서의 강인성과 같은 과제를 해결하는 것.
• 다중 사용자 활동 인식 및 CSI 위상 정보 통합과 같은 향후 연구 방향 탐색.

제안 방법

• 상용 WiFi 시스템으로부터의 CSI 데이터를 활용하여 인간 운동에 의해 영향을 받은 신호 반사 현상을 캡처한다.
• 주성분 분석(Principal Component Analysis, PCA), 단기 푸리에 변환(Short-Time Fourier Transform, STFT), 이산 웨이블릿 변환(Discrete Wavelet Transform, DWT)과 같은 특징 추출 기법을 적용하여 시간적 및 주파수적 특징을 추출한다.
• 기본 비교를 위해 랜덤 포레스트 및 은닉 마르코프 모델(Hidden Markov Models, HMM) 등의 기계학습 분류기 모델을 활용한다.
• CSI 시퀀스의 시간적 의존성을 모델링하기 위해 장기 단기 기억(Long Short-Term Memory, LSTM) 순환 신경망을 제안하고 평가한다.
• STFT를 활용해 CSI 데이터로부터 도플러 이동 프로파일을 계산함으로써 주파수-시간 분석을 통한 운동 패턴 탐지 기능을 제공한다.
• 에너지 기반 세그멘테이션을 적용하여 도플러 프로파일 내 활동 세그먼트를 식별함으로써 별개의 제스처나 동작을 분류할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델인 LSTM의 성능이 CSI 기반 활동 인식에서 기존 기계학습 모델(HMM, 랜덤 포레스트 등)과 비교해 어떻게 다른가?
• RQ2 CSI 기반 활동 인식은 다양한 실내 환경과 사용자 집단 간에서도 얼마나 정확도를 유지할 수 있는가?
• RQ3 계산 비용과 분류 정확도의 균형을 고려할 때, CSI 측정에 적합한 최적의 프레임 레이트는 무엇인가?
• RQ4 위상 노이즈와 모호함에도 불구하고 CSI의 위상 정보를 효과적으로 활용하여 인식 성능을 향상시킬 수 있는가?
• RQ5 공유된 환경에서 동시에 여러 사용자의 활동을 인식할 수 있도록 시스템을 설계하는 데에는 어떤 방법이 가능한가?

주요 결과

• LSTM 기반 모델은 누워 있는 것, 넘어지는 것, 걷기, 달리기 등의 활동을 95% 이상의 정확도로 분류하여 HMM 및 랜덤 포레스트 모델보다 뛰어난 성능을 보였다.
• LSTM의 혼동 행렬은 걷기(93%)와 달리기(97%)에 대해 거의 완벽한 분류 성능를 보였으며, 모든 클래스 간에 최소한의 오분류가 발생하였다.
• 랜덤 포레스트 및 HMM 모델은 유사한 활동 간에 높은 혼동을 보였으며, 예를 들어 '앉기'를 '일어나기'로 잘못 분류하거나 '넘어지기'를 '누워 있기'로 오분류하는 경우가 많았다.
• 정적 물체 성분을 제거하기 위해 PCA를 적용함으로써, 다양한 환경에서의 강인성을 향상시켜 인간에 의해 유도된 신호 변화만을 고립시킬 수 있었다.
• 약 1kHz의 프레임 레이트에서 정확도와 계산 비용의 최적의 균형을 확보할 수 있었으며, 50Hz에서는 성능이 급격히 저하되는 경향을 보였다.
• 안테나 간 위상 차이는 움직임에 의해 유도되는 도착각(Angle-of-Arrival, AOA) 변화를 캡처하는 데 잠재력을 보였지만, 위상 노이즈와 정수 모호성 문제는 여전히 해결이 필요한 과제로 남아 있다.