[논문 리뷰] B-HAR: an open-source baseline framework for in depth study of human activity recognition datasets and workflows

Florenc Demrozi, Cristian Turetta외 1명|arXiv (Cornell University)|2021. 01. 23.

Context-Aware Activity Recognition Systems인용 수 9

한 줄 요약

B-HAR는 인ert리얼, 생리적 및 환경 센서를 사용한 9개의 벤치마크 HAR 데이터셋에서 검증된 오픈소스로, 구성 가능한 프레임워크로서 인간 활동 인식(HAR) 연구를 위한 표준화되고 재현 가능한 워크플로우를 제공한다. 일반적인 데이터 전처리 단계와 기계학습/딥러닝 모델을 통합하여 연구자들이 다양한 데이터셋을 기반으로 HAR 방법론을 체계적으로 평가하고 비교할 수 있도록 하며, 잘못된 처리 파이프라인으로 인한 오류를 최소화한다.

ABSTRACT

Human Activity Recognition (HAR), based on machine and deep learning algorithms is considered one of the most promising technologies to monitor professional and daily life activities for different categories of people (e.g., athletes, elderly, kids, employers) in order to provide a variety of services related, for example to well-being, empowering of technical performances, prevention of risky situation, and educational purposes. However, the analysis of the effectiveness and the efficiency of HAR methodologies suffers from the lack of a standard workflow, which might represent the baseline for the estimation of the quality of the developed pattern recognition models. This makes the comparison among different approaches a challenging task. In addition, researchers can make mistakes that, when not detected, definitely affect the achieved results. To mitigate such issues, this paper proposes an open-source automatic and highly configurable framework, named B-HAR, for the definition, standardization, and development of a baseline framework in order to evaluate and compare HAR methodologies. It implements the most popular data processing methods for data preparation and the most commonly used machine and deep learning pattern recognition models.

연구 동기 및 목표

• HAR 방법론 평가를 위한 표준화되고 재현 가능한 워크플로우의 부족으로 인해 연구 간 공정한 비교가 어려운 문제를 해결하기 위해.
• 잘못된 처리 순서나 잘못 설정된 초모수 등 HAR 파이프라인 설계에서 흔히 발생하는 오류를 줄이기 위해 구성 가능한 기준 프레임워크를 제공함으로써.
• 오프더쇼프 및 사용자 정의 기계학습 및 딥러닝 모델을 모두 지원하면서도 실험 간 일관성 있는 전처리를 유지하기 위해.
• 데이터 소스, 처리 단계 및 모델 구성에 대한 상세한 문서화를 강제함으로써 HAR 연구의 투명성과 재현 가능성을 향상시키기 위해.
• 표준화된 데이터 준비 및 평가 절차를 통해 연구자들이 데이터셋 간에 모델 성능을 공정하게 비교할 수 있도록 하기 위해.

제안 방법

• B-HAR는 노이즈 필터링, 세그먼테이션, 특징 추출, 정규화, 특징 선택, 클래스 균형 조정 등의 전처리 단계를 조율하는 모듈식이고 구성 가능한 파이프라인을 구현한다.
• 프레임워크는 CNN, RNN 및 기존 분류기와 같은 다양한 기계학습 및 딥러닝 모델의 통합을 지원하며, 초모수를 구성 가능한 방식으로 설정할 수 있다.
• 사용자는 커스터마이징된 모델을 통합하면서도 사전 정의된 전처리 워크플로우를 재사용할 수 있어 일관성과 구현 오류를 줄일 수 있다.
• 확장성을 고려하여 설계되어 향후 새로운 데이터 처리 기법, 모델 및 성능 메트릭의 통합이 가능하도록 한다.
• 창구 크기, 겹침 비율, 정규화 방법, 훈련/테스트 분할 전략과 같은 핵심 매개변수의 명시적 설정을 요구함으로써 최선의 실천 방법을 강제한다.
• 다양한 센서 유형(인ert리얼, 생리적, 환경)과 활동 유형을 포함한 9개의 널리 사용되는 HAR 데이터셋에서 검증되었다.

실험 결과

연구 질문

• RQ1 표준화되고 재현 가능한 워크플로우가 다양한 데이터셋과 연구 그룹 간 HAR 모델 평가의 비교 가능성과 신뢰성에 어떻게 기여할 수 있는가?
• RQ2 HAR 파이프라인에서 흔히 오류나 성능 저하를 유발하는 핵심 데이터 전처리 단계는 무엇이며, 어떻게 체계적으로 관리할 수 있는가?
• RQ3 구성 가능한 오픈소스 프레임워크가 HAR 연구에서 구현 오류를 얼마나 줄이고 재현 가능성을 향상시킬 수 있는가?
• RQ4 표준화된 전처리 파이프라인 내에서 사용자 정의 모델을 통합할 경우, 모델 성능과 실험의 공정성에는 어떤 영향을 미치는가?
• RQ5 표준 모델과 새로운 아키텍처를 모두 지원하기 위해 필요한 구성 가능성이 어느 정도여야 하며, 일관성과 투명성을 유지할 수 있는가?

주요 결과

• B-HAR는 9개의 벤치마크 데이터셋에서 HAR 워크플로우의 구현과 평가를 성공적으로 지원하여 다양한 센서 모odalities와 활동 유형 간 광범위한 호환성을 입증했다.
• 세그먼테이션, 정규화, 특징 선택과 같은 전처리 단계의 일관되고 재현 가능한 적용을 가능하게 하여 수동 설정 오류로 인한 변동성을 감소시켰다.
• 초모수 및 처리 단계의 체계적 구성 설정을 통해 잘못된 훈련/테스트 분할 또는 부적절한 데이터 균형 조정과 같은 일반적인 함정을 최소화했다.
• 표준화된 파이프라인 내에서 사용자 정의 모델을 통합함으로써, 새로운 모델을 기존 베이스라인과 공정하게 비교할 수 있었으며 전처리 재구현이 필요 없었다.
• 다양한 데이터셋에서의 검증을 통해 B-HAR가 높은 재현 가능성과 구성 가능성을 유지함을 확인했으며, 표준 및 고급 HAR 연구 워크플로우 모두를 지원한다.
• GUI 지원, 새로운 성능 메트릭, 전이 학습 및 회귀 모델 통합 등 향후 확장의 기반을 제공한다.