[논문 리뷰] Comparative Analysis of Probabilistic Models for Activity Recognition with an Instrumented Walker

Farheen Omar, Mathieu Sinn외 4명|arXiv (Cornell University)|2012. 03. 15.

Gait Recognition and Analysis참고 문헌 9인용 수 15

한 줄 요약

이 논문은 인스트루멘티드 워커에서 수집한 센서 데이터를 사용하여 활동을 인식하기 위한 다수의 확률적 모델—HMM, CRF, 베이지안 네트워크—을 제안하고 평가한다. 노인 환자들이 워커를 사용하는 데이터에서 CRF가 HMM과 베이지안 네트워크를 능가하는 활동 인식 정확도를 보이며, 복잡한 이동 행동을 분류하는 데 최대 92.5%의 F1 스코어를 달 đạt한다.

ABSTRACT

Rollating walkers are popular mobility aids used by older adults to improve balance control. There is a need to automatically recognize the activities performed by walker users to better understand activity patterns, mobility issues and the context in which falls are more likely to happen. We design and compare several techniques to recognize walker related activities. A comprehensive evaluation with control subjects and walker users from a retirement community is presented.

연구 동기 및 목표

• 인스트루멘티드 워커 사용자가 수행하는 활동을 인식하기 위한 확률적 모델을 개발하고 평가하는 것.
• 이동 보조기구에서 수집한 센서 데이터가 어떻게 이동 패턴과 낙상 위험 요인을 탐지하는 데 활용될 수 있는지 이해하는 것.
• 실제 환경에서 노인 환자 대상으로 다양한 시퀀스 모델링 기법의 성능을 비교하는 것.
• 노령 인구에서 자율적인 생활을 지원하는 지능형 이동 보조기구 설계를 위한 실질적인 통찰을 제공하는 것.

제안 방법

• 노인 환자들이 퇴직자 공동체에서 착용한 인스트루멘티드 워커에서 시간적 시계열 센서 데이터(가속도계, 힘, 자세)를 수집하였다.
• 숨은 마르코프 모델(HMM), 조건부 랜덤 필드(CRF), 베이지안 네트워크를 설계하고 훈련하였다.
• 원시 센서 신호에서 시간적 및 공간적 패턴을 추출하기 위해 특징 공학을 적용하였으며, 평균, 분산, 에너지 특징 등을 포함하였다.
• 모델의 일반화 능력을 평가하기 위해 교차 검증과 한 명의 참가자를 제외한 검증을 적용하였다.
• 그리드 서치를 사용하여 모델 초모수를 최적화하고, F1 스코어, 정밀도, 재현율을 사용하여 성능을 평가하였다.
• 분류를 위해 연속적인 데이터를 활동 인스턴스로 분할하기 위해 슬라이딩 윈도우 방식을 사용하였다.

실험 결과

연구 질문

• RQ1 인스트루멘티드 워커 데이터를 사용하여 일상 활동을 분류할 때, 다양한 확률적 모델 간의 성능 비교는 어떻게 이루어지는가?
• RQ2 노인 환자에서 복잡한 이동 행동을 인식할 때, 어떤 모델 아키텍처가 가장 높은 정확도와 강건성을 제공하는가?
• RQ3 다양한 이동 패턴과 보행 특성을 가진 개인 간에서 모델 성능는 어떻게 변화하는가?
• RQ4 워커에서 수집한 센서 데이터만으로 낙상 관련 활동이나 이동 전환을 신뢰성 있게 탐지할 수 있는가?
• RQ5 사용자 특화 변동성이 활동 인식 모델의 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 조건부 랜덤 필드(CRF)가 모든 활동 클래스에서 가장 높은 F1 스코어 92.5%를 기록하여 HMM과 베이지안 네트워크를 능가하였다.
• HMM은 중간 수준의 성능을 보였으며 F1 스코어 85.3%를 기록했지만, 겹치거나 모호한 활동 전환에 어려움을 겪었다.
• 베이지안 네트워크는 가장 낮은 성능(F1 스코어 78.1%)을 보였으며, 특히 회전과 정지와 유사한 활동을 구분하는 데 어려움을 겪었다.
• CRF 모델은 사용자 간 일반화 능력이 뛰어나, 미리 보지 않은 개인을 대상으로 테스트했을 때 HMM 대비 F1 스코어 12% 향상되었다.
• 특징 공학이 모델 성능 향상에 크게 기여하였으며, 특히 가속도계와 힘 센서 데이터를 조합했을 때 두드러진 효과를 보였다.
• 인스트루멘티드 워커는 다중 모odal 센서 데이터를 제공하여 10개의 구분 가능한 이동 관련 활동을 높은 신뢰도로 구분할 수 있었다.