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

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

Gait Recognition and AnalysisEngineering인용 수 19

한 줄 요약

CSI-Net는 WiFi 채널 상태 정보(CSI)를 활용하여 인간의 신체 특성 분석과 자세 인식을 동시에 수행하는 통합된 딥러닝 프레임워크이다. 원시 CSI를 공간 인코딩된 텐서로 변환하고 가변적인 CNN 기반 아키텍처를 사용함으로써, 생체측정치 추정, 인물 인식, 손짓 인식, 낙상 감지 등 다양한 과제에서 최신 기술 수준의 성능을 달성하였으며, 각각 최고 98.13%와 97.73%의 테스트 정확도를 기록하였다.

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

• WiFi CSI를 활용하여 다양한 인간 센싱 과제를 동시에 해결할 수 있는 통합된 딥러닝 프레임워크를 개발하는 것.
• CSI 기반 인간 센싱에서 수작업으로 설계된 특징의 한계를 극복하기 위해 엔드 투 엔드 표현을 학습하는 것.
• 일반적인 WiFi 장치를 사용하여 신체 지방률, 근육량, 수분량, 뼈량 등의 정확한 생체측정치 추정을 가능하게 하는 것.
• 손짓과 같은 세밀한 동작 인식과 낙상과 같은 거친 운동 감지 등 높은 정확도의 인식을 달성하는 것.
• 신체-신호 상호작용에 대한 물리적 통찰을 제공하는 CSI 기반 인간 센싱을 위한 벤치마크 데이터셋과 분석을 구축하는 것.

제안 방법

• CSI-Net은 802.11n/g 시스템의 복소수 CSI 시퀀스를 전치 컨볼루션 레이어 또는 이중선형 보간을 사용하여 공간 인코딩된 특징 맵으로 변환한다.
• 네트워크는 ResNet-18을 백본으로 사용하는 확장 가능한 CNN 아키텍처를 활용하여 다양한 센싱 과제에서 효율적인 특징 학습을 가능하게 한다.
• 생성 단계에서는 원시 CSI 텐서의 크기 $30 \times 1 \times 1$ 를 표준 CNN 처리에 적합한 $224 \times 224$ 이미지 유사 표현으로 변환한다.
• 이중선형 보간은 전치 컨볼루션의 경량 대체 수단으로 사용되어 효율성을 향상시키면서도 높은 정확도를 유지한다.
• 특징 학습 단계에서는 잔차 블록을 사용하여 공간 인코딩된 CSI 텐서에서 계층적인 표현을 추출한다.
• 과제 단계에서는 사람 인식, 손짓 인식, 낙상 감지에 대해 소프트맥스를 적용한 완전 연결 레이어와 생체측정치 추정을 위한 회귀 헤드를 적용한다.

실험 결과

연구 질문

• RQ1 원시 WiFi CSI로부터 다양한 인간 센싱 과제를 위한 표현을 효과적으로 학습할 수 있는 통합된 딥러닝 프레임워크가 가능한가?
• RQ2 인간의 신체 존재와 구성이 CSI의 분산에 미치는 영향은 무엇이며, 이를 생체측정치 추정에 활용할 수 있는가?
• RQ3 CSI 기반 딥러닝이 세밀한 동작 인식(예: 손짓)과 거친 운동 감지(예: 낙상)에서 높은 정확도를 달성할 수 있는가?
• RQ4 CSI 기반 센싱에 최적의 네트워크 아키텍처와 전처리 전략(예: 전치 컨볼루션 대비 보간)은 무엇인가?
• RQ5 CSI 기반 인간 센싱에서 다양한 CNN 백본(예: ResNet, VGG, Inception)의 성능과 효율성은 어떻게 비교되는가?

주요 결과

• CSI-Net는 ResNet-18을 사용하여 사람 인식 과제에서 93.00%의 테스트 정확도를 기록했으며, 더 큰 백본인 ResNet-152와 VGG-19보다 뛰어난 성능을 보였다.
• 손짓 인식 과제에서는 100%의 테스트 정확도를 달성하여 세밀한 동작 인식 능력이 뛰어나다는 것을 입증하였다.
• 낙상 감지 과제에서는 96.67%의 테스트 정확도를 기록했으며, 낙상으로 오분류된 경우가 1.27%로 매우 낮고, 반대로 서있는 자세를 낙상으로 잘못 판단한 경우도 5.41%에 그쳤다.
• 전치 컨볼루션을 이중선형 보간으로 대체함으로써 사람 인식 과제에서 테스트 정확도가 94.42%로 향상되었으며, 이는 더 단순한 전처리 방식이 더 효과적일 수 있음을 시사한다.
• ResNet-18는 모델 복잡성과 성능 사이의 최적의 균형을 제공하였으며, 모델 크기가 단지 61MB에 불과했고, VGG-19와 같은 더 큰 네트워크보다 정확도와 효율성 면에서 뛰어났다.
• 본 연구는 일반적인 WiFi 장치를 사용하여 신체 지방률, 근육량, 수분량, 뼈량 등의 생체측정치 추정에 성공적으로 응용한 최초의 사례를 제시하였다.