[논문 리뷰] Automated Human Activity Recognition by Colliding Bodies Optimization-based Optimal Feature Selection with Recurrent Neural Network

Pankaj Khatiwada, Ayan Chatterjee외 1명|arXiv (Cornell University)|2020. 10. 07.

Context-Aware Activity Recognition Systems인용 수 7

한 줄 요약

이 논문은 인간 활동 인식(HAR) 시스템을 위한 새로운 방법을 제안하며, 충돌하는 몸체 최적화(CBO) 기반의 특성 선택 방법과 순환 신경망(RNN)을 결합하여 분류 정확도를 향상시킨다. UCI HAR 데이터셋의 센서 데이터로부터 최적의 특성을 선택함으로써 기존 방법보다 높은 성능을 달성하며, CBO가 차원 감소를 수행하면서도 분류에 유용한 정보를 유지하는 데 효과적임을 입증한다.

ABSTRACT

In smart healthcare, Human Activity Recognition (HAR) is considered to be an efficient model in pervasive computation from sensor readings. The Ambient Assisted Living (AAL) in the home or community helps the people in providing independent care and enhanced living quality. However, many AAL models were restricted using many factors that include computational cost and system complexity. Moreover, the HAR concept has more relevance because of its applications. Hence, this paper tempts to implement the HAR system using deep learning with the data collected from smart sensors that are publicly available in the UC Irvine Machine Learning Repository (UCI). The proposed model involves three processes: (1) Data collection, (b) Optimal feature selection, (c) Recognition. The data gathered from the benchmark repository is initially subjected to optimal feature selection that helps to select the most significant features. The proposed optimal feature selection is based on a new meta-heuristic algorithm called Colliding Bodies Optimization (CBO). An objective function derived by the recognition accuracy is used for accomplishing the optimal feature selection. Here, the deep learning model called Recurrent Neural Network (RNN) is used for activity recognition. The proposed model on the concerned benchmark dataset outperforms existing learning methods, providing high performance compared to the conventional models.

연구 동기 및 목표

• 노인 또는 장애가 있는 개인을 위한 암시적 보조 생활(AAL) 시스템에서 높은 계산 비용과 시스템 복잡도 문제를 해결하기 위해.
• 퍼스넬러스 헬스케어 환경에서 스마트 센서 데이터를 활용해 인간 활동 인식(HAR)의 정확도와 효율성을 향상시키기 위해.
• 활동 분류에 유용한 정보를 유지하면서 특성 차원을 감소시키는 최적의 선택 과정을 통해 특성 차원을 줄이기 위해.
• 메타휴리스틱 최적화 알고리즘(CBO)을 딥러닝(RNN)과 통합하여 종단 간 HAR 성능 향상을 도모하기 위해.
• 공개된 벤치마크 데이터셋(UCI HAR)에서 제안된 모델을 평가하고 기존 최첨단 기법들과 비교하기 위해.

제안 방법

• 제안된 방법은 스마트폰 센서에서 수집한 UCI 인간 활동 인식 데이터셋을 HAR의 입력으로 사용한다.
• 새로운 메타휴리스틱 최적화 알고리즘인 충돌하는 몸체 최적화(CBO) 알고리즘이 인식 정확도에서 유도된 목적 함수를 기반으로 최적의 특성 선택을 수행한다.
• CBO 알고리즘은 공간 내 물체의 물리 기반 충돌 역학을 시뮬레이션하여 최적의 특성 조합을 반복적으로 탐색한다.
• 선택된 특성들은 시퀀스 모델링과 활동 분류를 위해 순환 신경망(RNN)에 입력되며, 센서 데이터의 시간적 의존성을 활용한다.
• CBO의 목적 함수는 RNN 모델의 분류 정확도로 정의되며, 이는 고성능 특성 조합을 햖थ한 최적화 과정을 이끈다.
• 모델은 UCI HAR 벤치마크 데이터셋에서 표준 교차 검증 프rotocol을 사용하여 훈련 및 검증된다.

실험 결과

연구 질문

• RQ1 CBO와 같은 메타휴리스틱 최적화 알고리즘이 특성 차원을 감소시키면서도 HAR 분류 정확도를 유지하거나 향상시킬 수 있는가?
• RQ2 CBO 기반 특성 선택과 RNN 모델의 통합은 기존의 특성 선택 및 학습 방법에 비해 HAR 작업에서 어떻게 다른가?
• RQ3 최적의 특성 선택은 HAR에서 딥러닝 모델의 계산 효율성과 성능에 어떤 영향을 미치는가?
• RQ4 제안된 CBO-RNN 프레임워크는 UCI HAR 벤치마크 데이터셋에서 기존 최첨단 HAR 모델을 능가하는가?
• RQ5 인식 정확도를 목적 함수로 삼는 것은 CBO 알고리즘이 최적의 특성 조합으로 향하는 데 얼마나 효과적으로 이끌어주는가?

주요 결과

• 제안된 CBO 기반 특성 선택 방법은 기준 모델에 비해 UCI HAR 데이터셋에서 RNN 모델의 인식 정확도를 크게 향상시킨다.
• 모델은 유용한 특성만 선택함으로써 계산 오버헤드를 줄이면서도 정확도를 유지함으로써 높은 분류 성능를 달성한다.
• CBO와 RNN의 통합은 센서 시퀀스에서 인간 활동을 인식하는 데 있어 더 나은 일반화 능력과 강건성을 제공한다.
• 결과는 CBO 알고리즘이 특성 공간을 효과적으로 탐색하고 고성능 특성 조합으로 수렴함을 보여주며, 기존의 필터 및 워퍼 방법보다 뛰어난 성능을 보인다.
• 제안된 프레임워크는 스마트 헬스케어 및 암시적 보조 생활 시스템에서 실시간 및 저복잡도 HAR 응용 분야에 강력한 잠재력을 보여준다.
• 모델의 성능는 기존 모델을 뛰어넘으며, 메타휴리스틱 최적화와 딥러닝을 결합한 HAR에 효과적임을 확인한다.