[논문 리뷰] Multivariate Time Series Classification Using Dynamic Time Warping Template Selection for Human Activity Recognition

Skyler Seto, Wenyu Zhang외 1명|arXiv (Cornell University)|2015. 12. 21.

Context-Aware Activity Recognition Systems참고 문헌 14인용 수 31

한 줄 요약

이 논문은 인간 활동 인식에서 다변량 시계열 분류를 위한 동적 시간 왜곡(DTW)-기반 템플릿 선택 방법을 제안한다. 복잡한 특성 추출과 도메인 지식이 필요로 하지 않으며, 수정된 DTW를 사용해 운동 데이터를 군집화하고 활동 템플릿을 구성함으로써 기존 특성 추출 방법과 비교해 유사하거나 더 높은 정확도를 달성한다. 특히 노이즈가 있는 조건과 새로운 테스트 대상에 대해 강건하다.

ABSTRACT

Accurate and computationally efficient means for classifying human activities have been the subject of extensive research efforts. Most current research focuses on extracting complex features to achieve high classification accuracy. We propose a template selection approach based on Dynamic Time Warping, such that complex feature extraction and domain knowledge is avoided. We demonstrate the predictive capability of the algorithm on both simulated and real smartphone data.

연구 동기 및 목표

• 스마트폰 센서 데이터를 사용한 인간 활동 분류를 위한 계산 효율적이고 정확한 방법을 개발한다.
• 인간 활동 인식(HAR)에서 복잡한 특성 추출과 도메인 전문 지식에 의존하지 않도록 한다.
• 다변량 시계열 데이터에서 해석 가능하고 시각적으로 의미 있는 활동 템플릿을 생성한다.
• 학습 데이터에 포함되지 않은 새로운 테스트 대상에 대한 일반화 능력과 노이즈에 대한 강건성을 향상시킨다.
• 실제 UCI HAR 데이터와 합성 노이즈 데이터를 기반으로 제안된 방법의 효과성을 입증한다.

제안 방법

• 다변량 시계열에 대해 정확도와 계산 효율성을 향상시키기 위해 유사도 측정으로서 동적 시간 왜곡(DTW)을 수정한다.
• DTW 기반 군집화를 사용해 유사한 운동 시퀀스를 군집화하여 서로 다른 인간 활동을 표현한다.
• 각 군집에서 시간 시리즈 평균(또는 DBA 또는 DPA를 통해)을 이용해 일반적인 활동 패턴을 나타내는 활동 템플릿을 구성한다.
• 유사도 측정 및 분류 성능 향상을 위해 부분 시퀀스 기반 DTW 변형(DTWsubseq)을 적용한다.
• 템플릿 생성을 제어하기 위해 임계값 파라미터 'cut'을 도입하며, 낮은 값은 과적합을 줄여 정확도를 향상시킨다.
• 테스트 시퀀스와 모든 템플릿 간의 DTW 거리를 계산하여 가장 가까운 매칭을 할당함으로써 분류에 템플릿을 사용한다.

Figure 1: DTW image from [ 12 ] showing the alignment procedure. The two original time series shown on the left (dotted) and bottom (solid) of the image on the right are shown aligned on the left image according to the optimal path shown as the dark black line on the right.

실험 결과

연구 질문

• RQ1 DTW 기반 템플릿 선택 방법은 전통적인 특성 추출 방법과 비교해 인간 활동 인식(HAR)에서 유사하거나 더 높은 분류 정확도를 달성할 수 있는가?
• RQ2 학습 데이터에 포함되지 않은 새로운 개인의 데이터와 노이즈가 있는 환경에서 제안된 방법은 어떻게 성능을 발휘하는가?
• RQ3 표준 DTW에 비해 DTWsubseq 또는 수정된 DTW를 사용할 경우 분류 정확도가 향상되는가?
• RQ4 템플릿 구성에 DBA(Dynamic Time Warping Barycentric Averaging)와 DPA(DTW 기반 쌍별 평균)를 사용할 경우 성능에 차이가 나는가?
• RQ5 'cut' 임계값 파라미터는 분류 정확도와 모델 일반화에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 UCI HAR 데이터셋에서 0.860의 정확도를 달성했으며(운동 활동을 포함하면 0.890), 전통적 특성 추출 방법과 유사한 성능을 보였다.
• 합성 데이터에서는 DTWsubseq와 DPA, cut=0.25 조건에서 0.700의 정확도를 기록했으며, 특성 추출 방법(0.67)을 능가했다.
• DBA 기반 템플릿은 DPA 기반 템플릿보다 갑작스러운 노이즈에 훨씬 더 강건했으며, 노이즈 영역에서도 형태를 유지했다.
• 'cut' 파라미터를 낮추는 것은 실재 및 합성 데이터셋 전반에서 정확도를 일관되게 향상시켜 더 나은 일반화 성능을 의미했다.
• 모든 설정에서 표준 DTW에 비해 DTWsubseq가 더 높은 성능을 보이며, 분류를 위한 유사도 측정의 향상이 입증되었다.
• 메서드는 새로운 대상과 노이즈가 있는 데이터에 대해 강력한 일반화 능력을 보였으며, 합성 평가에서 특성 추출 방법보다 높은 정확도를 기록했다.

Figure 2: Breakdown of the template selection and classification method