[논문 리뷰] Attention-based Walking Gait and Direction Recognition in Wi-Fi Networks

Yang Xu, Min Chen외 3명|arXiv (Cornell University)|2018. 11. 17.

Indoor and Outdoor Localization Technologies참고 문헌 39인용 수 5

한 줄 요약

이 논문은 일반적인 Wi-Fi 장치에서의 CSI 측정치를 사용하여 순환에 의존하지 않는 인간의 보행 및 보행 방향 인식을 위한 주의 기반 RNN 인코더-디코더 프레임워크를 제안한다. 두 수신기에서 수집한 데이터를 융합하고, 주의 메커니즘을 활용하여 CSI 시퀀스의 핵심 세그먼트에 동적으로 초점을 맞춤으로써, 실내 환경에서 보행 인식에 평균 정확도 97.68%와 F₁ 스코어 89.69%를 달성하였고, 방향 인식에 대해서는 정확도 98.75%와 F₁ 스코어 95.06%를 기록하였다.

ABSTRACT

The study of human gait recognition has been becoming an active research field. In this paper, we propose to adopt the attention-based Recurrent Neural Network (RNN) encoder-decoder framework to implement a cycle-independent human gait and walking direction recognition system in Wi-Fi networks. For capturing more human walking dynamics, two receivers together with one transmitter are deployed in different spatial layouts. In the proposed system, the Channel State Information (CSI) measurements from different receivers are first gathered together and refined to form an integrated walking profile. Then, the RNN encoder reads and encodes the walking profile into primary feature vectors. Given a specific recognition task, the decoder computes a corresponding attention vector which is a weighted sum of the primary features assigned with different attentions, and is finally used to predict the target. The attention scheme motivates our system to learn to adaptively align with different critical clips of CSI data sequence for human walking gait and direction recognitions. We implement our system on commodity Wi-Fi devices in indoor environment, and the experimental results demonstrate that our system can achieve average F1 scores of 89.69% for gait recognition from a group of 8 subjects and 95.06% for direction recognition from 8 walking directions, in addition, the average accuracies of these two recognition tasks both exceed 97%.

연구 동기 및 목표

• Wi-Fi 신호를 활용하여 순환에 의존하지 않는 인간의 보행 및 보행 방향 인식 시스템을 개발하기 위해.
• 기존의 보행 주기 탐지 및 수작업으로 만든 특징에 의존하는 방법의 한계를 극복하기 위해.
• RNN의 주의 메커니즘을 활용하여 CSI 데이터의 핵심 세그먼트에 자동으로 초점을 맞추어 인식 성능을 향상시키기 위해.
• 통합된 딥러닝 프레임워크를 사용하여 보행 및 방향 인식 작업을 동시에 학습하기 위해.
• 보행 기기나 시야 확보 조건 없이도 피동적이고 비침습적인 인간 감지 기능을 제공하기 위해.

제안 방법

• 보행자의 보행을 다중 시각의 CSI 측정치를 확보하기 위해 서로 다른 공간 배치에서 하나의 송신기와 두 개의 수신기를 설치한다.
• 두 수신기에서 확보한 CSI 데이터를 통합하고 정제하여 단일한 통합 보행 프로파일로 조합한다.
• 보행 프로파일을 처리하고 주요 특징을 나타내는 은닉 상태의 시퀀스를 생성하기 위해 RNN 인코더를 사용한다.
• 인코더의 은닉 상태들을 가중치 합으로 계산하는 주의 벡터를 계산하는 작업 전용 디코더를 적용한다.
• 소프트 주의 메커니즘(식 9)을 적용하여, 인식 작업에 대한 관련성에 따라 CSI 시퀀스의 다양한 시간 단계에 중요도를 동적으로 할당한다.
• 엔드 투 엔드 학습을 통해 보행 및 방향 인식을 동시에 학습하는 인코더-디코더 모델을 학습시킨다.

실험 결과

연구 질문

• RQ1 주의 기반 RNN 인코더-디코더 프레임워크는 일반적인 Wi-Fi 장치의 CSI를 사용하여 순환에 의존하지 않는 인간의 보행 인식을 달성할 수 있는가?
• RQ2 동일한 모델이 보행 주기 분할 없이도 보행 방향과 보행을 동시에 인식할 수 있는가?
• RQ3 주의 메커니즘이 보행 및 방향 인식을 위한 CSI 데이터의 핵심 시간 세그먼트를 식별하는 데 얼마나 효과적인가?
• RQ4 기존의 신호 처리 및 수작업 특징 기반 접근 방식에 비해 제안된 방법이 어떤 성능 향상을 달성하는가?
• RQ5 실내 환경에서 보행 패턴의 변동성과 개인별 다이내믹스 변화에 대해 시스템은 얼마나 강건한가?

주요 결과

• 제안된 시스템은 8명의 피험자에 대해 보행 인식 평균 F₁ 스코어 89.69%를 기록하였고, 평균 정확도는 97.68%였다.
• 8개의 서로 다른 방향에 대한 보행 방향 인식에서는 평균 F₁ 스코어 95.06%와 평균 정확도 98.75%를 달성하였다.
• 주의 시각화 결과, 모델이 고에너지이자 정보가 풍부한 CSI 스펙트로그램 세그먼트, 특히 뚜렷한 보행 다이내믹스를 포함하는 부분에 자동으로 초점을 맞추는 것으로 확인되었다.
• 주의 메커니즘이 수동적인 주기 분할 없이도 핵심 클립에 적응함으로써 순환에 의존하지 않는 인식을 가능하게 하였다.
• 모델은 개인 및 작업 간 일반화 능력이 뛰어나 모든 개별 클래스 정확도가 95%를 초과하였다.
• 다중 수신기 CSI 데이터 통합은 단일 수신기 설정 대비 특징 표현력 향상과 인식 강건성 향상에 기여하였다.