[논문 리뷰] CSI-Net: Unified Human Body Characterization and Action Recognition.

Fei Wang, Jinsong Han외 3명|arXiv (Cornell University)|2018. 10. 07.

Gait Recognition and Analysis참고 문헌 63인용 수 17

한 줄 요약

CSI-Net는 WiFi 채널 상태 정보(CSI)를 활용하여 인간의 신체 특성 기술 및 동작 인식을 동시에 학습하는 통합된 딥 뉴럴 네트워크이다. 이는 신체 지방률, 근육량, 수분량, 뼈량 등의 생체정보를 동시에 추정하면서도, 사람 인식 및 손짓 인식, 낙상 감지와 같은 두 가지 자세 인식 작업까지 수행하여 원시 CSI 신호로부터 종단간 표현 학습을 달성한다.

ABSTRACT

We build CSI-Net, a unified Deep Neural Network~(DNN), to learn the representation of WiFi signals. Using CSI-Net, we jointly solved two body characterization problems: biometrics estimation (including body fat, muscle, water, and bone rates) and person recognition. We also demonstrated the application of CSI-Net on two distinctive pose recognition tasks: the hand sign recognition (fine-scaled action of the hand) and falling detection (coarse-scaled motion of the body).

연구 동기 및 목표

• 원시 WiFi CSI 신호로부터 인간 중심 응용을 위한 풍부한 다중 작업 표현을 추출하는 과제를 해결하기 위해.
• 단일 딥 러닝 모델을 사용하여 신체 지방률, 근육량, 수분량, 뼈량 등의 생체정보 추정과 사람 인식을 동시에 해결하기 위해.
• 통합된 표현을 활용하여 손짓과 같은 미세 척도 동작과 낙상과 같은 거친 척도 운동을 인식할 수 있도록 확장하기 위해.
• CSI를 사용하여 다양한 인간 행동 및 생리적 특성 기술 작업을 위한 단일 DNN 아키텍처의 실현 가능성을 입증하기 위해.

제안 방법

• CSI-Net는 WiFi 장치에서 수집한 원시 CSI 신호를 처리하기 위해 통합된 딥 뉴럴 네트워크 아키텍처를 사용한다.
• 공유 및 작업별 특화된 브랜치를 통해 CSI 시계열 데이터로부터 계층적인 표현을 학습한다.
• 생체정보 추정과 사람 인식은 공유 특징 인코더를 사용한 다중 작업 학습을 통해 함께 훈련된다.
• 자세 인식 작업인 손짓 인식과 낙상 감지는 동일한 CSI 입력에서 공유 표현 학습을 통해 통합된다.
• 행동 인식을 위해 CSI 데이터의 동적 운동 패턴을 캡처하기 위해 시간적 모델링 구성 요소를 사용한다.
• 각 작업에 맞는 감독 손실 함수를 사용하여 종단간 훈련을 수행한다: 생체정보 추정에는 회귀, 사람 및 행동 인식에는 분류.

실험 결과

연구 질문

• RQ1 단일 딥 뉴럴 네트워크가 다양한 인간 특성 기술 작업을 위해 원시 WiFi CSI 신호로부터 통합된 표현을 효과적으로 학습할 수 있는가?
• RQ2 CSI-Net이 CSI 데이터로부터 다수의 생체정보 매개변수(체지방률, 근육량, 수분량, 뼈량)를 얼마나 정확하게 동시에 추정할 수 있는가?
• RQ3 추가 센서 없이 CSI 신호만으로도 CSI-Net이 사람 인식을 효과적으로 수행할 수 있는가?
• RQ4 동일한 통합 표현이 미세 해상도(손짓)와 거친 해상도(낙상) 동작 인식을 모두 지원할 수 있는가?
• RQ5 다양한 작업 간 공동 학습이 개별 모델 대비 어떤 성능 향상을 가져오는가?

주요 결과

• CSI-Net은 원시 WiFi CSI 신호로부터 다양한 후행 작업을 지원하는 통합된 표현을 성공적으로 학습한다.
• 모델은 단지 CSI 데이터만을 사용하여 체지방률, 근육량, 수분량, 뼈량과 같은 핵심 생체정보 매개변수를 정확하게 추정한다.
• 학습된 표현을 통해 사람 인식이 효과적으로 수행되어 CSI-Net의 분류 능력이 입증된다.
• 네트워크는 손짓과 같은 미세 척도 동작과 낙상 감지와 같은 거친 척도 운동에 대해 잘 일반화된다.
• 모든 평가된 작업에서 일관된 성능 향상으로 인해 공동 학습이 표현 품질을 향상시킨다는 것이 입증된다.
• 통합 아키텍처는 각 작업에 대해 별도의 모델을 훈련하는 것보다 모델 복잡도와 추론 비용을 감소시킨다.