[논문 리뷰] Human Biometric Signals Monitoring based on WiFi Channel State Information using Deep Learning

Moyu Liu, Zihuai Lin외 2명|arXiv (Cornell University)|2022. 03. 08.

Wireless Networks and Protocols인용 수 11

한 줄 요약

이 논문은 심박수와 호흡수를 각각 99.109% 및 98.581%의 정확도로 동시에 추정하고, 움직임, 호흡 및 심장 신호를 포함한 원시 CSI 데이터를 활용하는 새로운 WiFi 수면단계 신경망(W2SN)을 통해 네 가지 수면 단계를 95.925%의 정확도로 분류하는 딥러닝 프레임워크를 제안한다. 이는 WiFi 채널 상태 정보(CSI)를 활용한다.

ABSTRACT

In this paper, we first present a single-input, multiple-output convolutional neural network that can estimate both heart rate and respiration rate simultaneously by exploiting the underlying link between heart rate and respiration rate. The inputs to the neural network are the amplitude and phase of channel state information collected by a pair of WiFi devices. Our WiFi-based technique addresses privacy concerns and is adaptable to a variety of settings. This system overall accuracy for the heart and respiration rate estimation can reach 99.109% and 98.581%, respectively. Furthermore, we developed and analyzed two deep learning-based neural network classification algorithms for categorizing four types of sleep stages: wake, rapid eye movement (REM) sleep, non-rapid eye movement (NREM) light sleep, and NREM deep sleep. This system overall classification accuracy can reach 95.925%

연구 동기 및 목표

• 기성 WiFi 장치를 사용하여 저복잡도이고 개인정보 보호가 가능한 지속적인 인간 생체정보 모니터링 방법을 개발하기 위해.
• 복잡한 특징 엔지니어링에 의존하지 않고도 동시에 정확하게 심박수와 호흡수를 추정하는 도전 과제를 해결하기 위해.
• 원시 WiFi CSI 데이터를 사용하여 인간의 네 가지 수면 단계—각성, NREM 경도, NREM 심도, REM—를 분류하여 비침습적인 수면 품질 평가를 가능하게 하기 위해.
• 원시 CSI 데이터와 유도된 심폐순환 상관관계(CPC) 신호를 사용한 딥러닝 모델의 수면 단계 분류 성능를 비교하기 위해.

제안 방법

• WiFi CSI의 진폭 및 위상 성분에서 심박수와 호흡수를 동시에 추정하기 위해 단일 입력 다중 출력 컨볼루션 신경망(H3RN)을 설계하였다.
• 기존의 특징 선택 방법에 비해 계산 복잡도를 감소시키고 정확도를 향상시키기 위해 심박수와 호흡수 간의 내재된 상관관계를 H3RN이 활용한다.
• 원시 CSI와 유도된 CPC 신호를 각각 사용하여 네 가지 수면 단계를 분류하기 위해 두 가지 딥러닝 모델—WiFi 수면단계 신경망(W2SN)과 CPC 신경망—을 개발하였다.
• W2SN은 전체 CSI 행렬을 처리할 수 있는 네 개의 컨볼루션 레이어 아키텍처를 사용하여 동시에 운동, 호흡 및 심장 동역학을 포착한다.
• 시스템은 802.11n 기반의 WiFi 장치를 사용하여 OFDM 방식으로 56개의 서브캐리어를 활용해 실시간으로 CSI 데이터를 수집하여 생체정보 및 수면 단계 추정에 활용한다.
• 낮은 샘플 수를 가진 카테고리(예: REM 및 각성)에서의 오분류를 줄이기 위해 수면 주기 지식 기반 오류 보정 메커니즘을 제안한다.

실험 결과

연구 질문

• RQ1 원시 WiFi CSI에서 고정밀도 및 저계산 비용으로 심박수와 호흡수를 동시에 추정할 수 있는 딥러닝 모델이 가능한가?
• RQ2 원시 CSI에 포함된 신체 운동 정보가 유도된 심폐순환 신호만을 사용하는 경우에 비해 수면 단계 분류 성능를 향상시키는가?
• RQ3 네 가지 구분 가능한 수면 단계를 분류할 때 원시 CSI 데이터 사용이 처리된 CPC 신호 대비 성능 향상을 가져오는가?
• RQ4 제안된 시스템은 웨어러블 센서 없이 다양한 자세(누운 자세 및 선입 자세)에서도 높은 정확도로 생체정보 모니터링 및 수면 단계 분류를 달성할 수 있는가?

주요 결과

• H3RN 모델은 심박수에 대해 평균 절대 퍼센티지 오차(MAPE)가 0.6042%이며, 호흡수에 대해 0.2 bpm로, 각각 99.109% 및 98.581%의 정확도를 달성하였다.
• 누운 자세에서는 호흡수에 대해 99.272%의 정확도, 심박수에 대해 98.591%의 정확도를 기록하였으며, 선입 자세에서는 각각 99.1032% 및 98.666%의 정확도를 확보하였다.
• W2SN 모델은 수면 단계 분류 정확도가 95.925%로, CPC 기반 네트워크(90.15%)와 기존 방법들인 [55](81.8%) 및 [58](74.3%)보다 뚜렷이 뛰어났다.
• 혼동 행렬 분석 결과, 모든 개별 수면 단계 분류 정확도가 92%를 초과하였으며, 특히 NREM 경도 및 심도 수면 단계에서 가장 높은 성능를 보였다.
• W2SN은 두 층 및 다섯 층 컨볼루션 신경망 변형(각각 63.275% 및 과적합)보다 우수한 성능를 보였으며, 네 개의 컨볼루션 레이어가 최적의 깊이임을 확인하였다.
• W2SN의 뛰어난 성능는 CPC 신호에 존재하지 않는 원시 CSI 내 운동 동역학을 포함하고 있기 때문에, 분류에 더 풍부한 시간-주파수 특징을 제공하기 때문으로 기인된다.