[논문 리뷰] From User-independent to Personal Human Activity Recognition Models Exploiting the Sensors of a Smartphone

Pekka Siirtola, Heli Koskimäki외 1명|arXiv (Cornell University)|2019. 05. 29.

Context-Aware Activity Recognition Systems참고 문헌 7인용 수 5

한 줄 요약

이 논문은 먼저 센서 융합을 통해 비침습적으로 개인 데이터를 레이블링한 후, 효율적이고 정확한 인식을 위한 경량 단일 센서 사용자 의존 모델을 훈련시키는 이단계적 스마트폰 기반 인간 활동 인식 방법을 제안한다. 이 방법은 기존의 사용자 독립 모델 대비 10개 사례 중 9개에서 정확도를 향상시키며, LDA 및 QDA 분류기 사용 시 평균 정확도 향상 폭이 3–4%에 이른다.

ABSTRACT

In this study, a novel method to obtain user-dependent human activity recognition models unobtrusively by exploiting the sensors of a smartphone is presented. The recognition consists of two models: sensor fusion-based user-independent model for data labeling and single sensor-based user-dependent model for final recognition. The functioning of the presented method is tested with human activity data set, including data from accelerometer and magnetometer, and with two classifiers. Comparison of the detection accuracies of the proposed method to traditional user-independent model shows that the presented method has potential, in nine cases out of ten it is better than the traditional method, but more experiments using different sensor combinations should be made to show the full potential of the method.

연구 동기 및 목표

• 개별 데이터 수집 세션 없이도 개인 맞춤형 인간 활동 인식 모델을 개발하는 방법을 개발하는 것.
• 초기 센서 융합 레이블링 이후 경량 단일 센서 모델을 사용하여 계산 부담과 에너지 소비를 줄이는 것.
• 일상적인 스마트폰 사용 중 수집된 사용자 특화 데이터를 활용하여 기존의 사용자 독립 모델보다 정확도를 향상시키는 것.
• 다양한 피험자와 분류기에서의 성능을 평가하여 24/7 스마트폰 배포의 실용성을 확보하는 것.

제안 방법

• 가속도계 및 자석계 신호에서 시간 도메인과 주파수 도메인의 56개 특징을 사용하여 중력 성분을 제거한 제곱합 정규화 방식을 적용한 센서 융합 기반 사용자 독립 모델을 훈련시킨다.
• 실시간 스트리밍 데이터는 이 모델을 사용해 분류되며, 그 예측 결과를 활용해 일상적 사용 중 비침습적으로 개인 훈련 데이터를 수집한다.
• 가속도계 데이터의 크기에서 추출한 19개의 특징(표준편차, 최소/최대값, 백분위수 편차 등)만을 사용하여 단일 센서 사용자 의존 모델을 훈련시킨다.
• 각 모델에 가장 설명력 있는 특징을 유지하기 위해 순차적 전진 선택(Sequential Forward Selection, SFS)을 통해 특징 선택을 수행한다.
• 활동 전환 시 오분류를 줄이기 위해 연속된 3개의 1초 윈도우에서 다수결정법을 사용해 분류 결과를 부드럽게 처리한다.
• 성능 평가를 위해 선형 판별 분석(LDA)과 이차 판별 분석(QDA) 두 가지 분류기를 사용한다.

실험 결과

연구 질문

• RQ1 일상적인 스마트폰 사용 중에만 스마트폰 센서를 활용하여 별도의 데이터 수집 세션 없이 사용자 의존 인간 활동 인식 모델을 훈련시킬 수 있는가?
• RQ2 센서 융합을 통한 레이블링 이후 단일 센서 개인화를 수행하는 이단계 모델이 기존의 사용자 독립 모델 대비 정확도 향상에 얼마나 기여하는가?
• RQ3 제안된 방법의 성능은 다양한 피험자와 분류기(LDA 대 QDA) 간에 어떻게 달라지는가?
• RQ4 초기 모델에서의 레이블 품질이 최종 사용자 의존 모델의 정확도에 미치는 영향은 어떠한가?

주요 결과

• 제안된 방법은 기존의 사용자 독립 모델 대비 10개 사례 중 9개에서 정확도를 향상시켰으며, LDA 사용 시 평균 4.1%, QDA 사용 시 평균 3.6%의 정확도 향상 폭을 기록했다.
• 피험자별 정확도 향상 폭은 LDA 기준 Subject 1의 1.6%에서 QDA 기준 Subject 5의 12.8%까지 다양했으며, 이는 강력한 개인 맞춤화 잠재력을 시사한다.
• 센서 융합 기반 사용자 독립 모델은 평균 정확도가 LDA 기준 85.6%, QDA 기준 86.6%를 기록했지만, 피험자별 성능 격차가 뚜렷하여 레이블 품질의 한계를 보여주었다.
• 비록 평균 향상 폭은 크지 않지만, 이 방법은 스마트폰 센서만을 사용하여 비침습적이고 지속적인 개인 모델 훈련의 가능성을 입증한다.
• 최종 사용자 의존 모델의 계산 비용이 낮아 24/7 배포에 유망한 것으로 평가되나, 초기 모델의 레이블 오류로 인해 최대 성능 향상 폭에 제한이 있다.
• 향후 연구에서는 추가적인 센서 조합과 더 큰 데이터셋을 활용해 방법의 잠재력을 최대한으로 실현해야 한다.