[논문 리뷰] Probabilistic Sensor Fusion for Ambient Assisted Living

Tom Diethe, Niall Twomey외 3명|arXiv (Cornell University)|2017. 02. 04.

Context-Aware Activity Recognition Systems참고 문헌 24인용 수 12

한 줄 요약

이 논문은 주변 보조 생활(ambient assisted living)을 위한 베이지안 확률적 센서 융합 프레임워크를 제안하며, 가속도계, 환경 센서, 영상 등 이질적인 센서 모odalities를 통합하여 활동 인식과 위치 예측을 향상시킨다. 불확실성을 명시적으로 모델링하고 위치와 활동의 동시 학습을 가능하게 하여 벤치마크 모델을 능가하며, 각 활동에 가장 기여하는 센서 모달리티와 특징을 특정한다.

ABSTRACT

There is a widely-accepted need to revise current forms of health-care provision, with particular interest in sensing systems in the home. Given a multiple-modality sensor platform with heterogeneous network connectivity, as is under development in the Sensor Platform for HEalthcare in Residential Environment (SPHERE) Interdisciplinary Research Collaboration (IRC), we face specific challenges relating to the fusion of the heterogeneous sensor modalities. We introduce Bayesian models for sensor fusion, which aims to address the challenges of fusion of heterogeneous sensor modalities. Using this approach we are able to identify the modalities that have most utility for each particular activity, and simultaneously identify which features within that activity are most relevant for a given activity. We further show how the two separate tasks of location prediction and activity recognition can be fused into a single model, which allows for simultaneous learning an prediction for both tasks. We analyse the performance of this model on data collected in the SPHERE house, and show its utility. We also compare against some benchmark models which do not have the full structure,and show how the proposed model compares favourably to these methods

연구 동기 및 목표

• 스마트 홈에서 이질적인 센서 데이터를 융합하는 데 도전하는 데 목적을 두며.
• 홈 기반 건강 모니터링에서 투명하고 불확실성 인식 기반의 의사결정을 가능하게 하며.
• 다중 모odal 센서 스트림으로부터 위치와 활동을 동시에 학습하고 예측하며.
• 특정 활동에 대해 가장 정보를 주는 센서 모달리티와 특징을 특정하며.
• 계층적 베이지안 모델을 사용하여 개인과 주거 환경 간의 전이 학습을 지원하며.

제안 방법

• 저자는 데이터 생성 과정을 표현하고 센서별 노이즈 모델을 통합하기 위해 베이지안 확률적 그래픽 모델을 사용한다.
• 개인 간 정보 공유를 가능하게 하여 공동체에서 새로운 개인으로의 전이 학습을 가능하게 하기 위해 계층적 베이지안 모델을 사용한다.
• 센서 점수를 확률적으로 모델링하여 조기 융합과 후기 융합 전략을 융합함으로써 히우리스틱 분류기 스태킹을 피한다.
• 통합된 확률적 구조를 통해 위치와 활동 예측을 동시에 학습함으로써 추론의 강건성을 향상시킨다.
• 모델 내 후행적 중요도를 기반으로 특징을 선택함으로써 어떤 입력이 의사결정을 이끄는지에 대한 내성적 분석이 가능하다.
• 중심이 흐린 사전 분포와 메타 특징을 사용하여 다양한 구현 환경(예: 집 간 전이)에 일반화한다.

실험 결과

연구 질문

• RQ1 스마트 홈에서 특정 활동을 인식하는 데 가장 정보를 주는 센서 모달리티는 무엇인가?
• RQ2 위치 예측과 활동 인식을 함께 모델링하여 성능을 향상시킬 수 있는가?
• RQ3 일관된 베이지안 모델이 센서 융합 과제에서 별도 또는 히우리스틱 융합 방법을 능가할 수 있는가?
• RQ4 학습된 모델을 제한된 데이터로 새로운 개인에게 효과적으로 전이할 수 있는가?
• RQ5 모델은 실세계 센서 스트림의 누락된 데이터와 불확실성을 어떻게 다루는가?

주요 결과

• 제안된 베이지안 융합 모델은 불확실성의 전체적 구조적 통합과 동시 학습이 부족한 벤치마크 모델을 능가한다.
• 모델은 각 활동에 가장 관련성이 높은 센서 모달리티와 특징을 성공적으로 특정하여 해석 가능한 의사결정을 가능하게 한다.
• 위치와 활동 인식의 동시 모델링은 독립 모델 대비 향상된 예측 정확도를 달성한다.
• 전이 학습을 통해 초기 데이터가 전혀 없는 새로운 개인에게도 정확한 예측이 가능하며, 공동체 수준의 사전 분포를 활용한다.
• 프레임워크는 누락된 데이터와 시간적 패턴을 효과적으로 다루며, 센서 스트림에 대한 확률적 추론을 활용한다.
• 모델은 개인 맞춤형 및 일반화된 예측을 모두 지원하며, 새로운 데이터가 도착함에 따라 부드럽게 적응한다.