[논문 리뷰] Recognizing Activities and Spatial Context Using Wearable Sensors

Amarnag Subramanya, Alvin Raj외 2명|arXiv (Cornell University)|2012. 06. 27.

Context-Aware Activity Recognition Systems참고 문헌 17인용 수 78

한 줄 요약

이 논문은 이방향 웨어러블 센서 및 GPS 데이터를 사용하여 인간의 활동과 공간적 맥락을 동시에 추론하는 동적 그래픽 모델을 제안한다. 입자 필터링과 잘라낸 정확한 추론을 통해 다중 모odal 센서 입력을 융합함으로써, GPS 또는 센서 단독 사용보다 높은 정확도를 달성하면서도 하드웨어 부담을 최소화하여 편안함과 배터리 수명을 향상시킨다.

ABSTRACT

We introduce a new dynamic model with the capability of recognizing both activities that an individual is performing as well as where that ndividual is located. Our model is novel in that it utilizes a dynamic graphical model to jointly estimate both activity and spatial context over time based on the simultaneous use of asynchronous observations consisting of GPS measurements, and measurements from a small mountable sensor board. Joint inference is quite desirable as it has the ability to improve accuracy of the model. A key goal, however, in designing our overall system is to be able to perform accurate inference decisions while minimizing the amount of hardware an individual must wear. This minimization leads to greater comfort and flexibility, decreased power requirements and therefore increased battery life, and reduced cost. We show results indicating that our joint measurement model outperforms measurements from either the sensor board or GPS alone, using two types of probabilistic inference procedures, namely particle filtering and pruned exact inference.

연구 동기 및 목표

• 웨어러블 센서를 사용하여 인간의 활동과 공간적 맥락을 동시에 인식하는 시스템을 개발한다.
• 착용하는 센서의 수를 최소화하여 하드웨어 부담을 줄임으로써 사용자 편안함과 배터리 효율을 향상시킨다.
• 비동기 센서 및 GPS 데이터를 공동으로 모델링하여 활동과 공간적 맥락을 동시에 고려함으로써 인식 정확도를 향상시킨다.
• 단독 GPS 또는 센서 기반 접근 방식과 비교하여 공동 모델의 성능을 평가한다.
• 효율적인 확률적 기법(예: 입자 필터링 및 잘라낸 정확한 추론)을 사용한 실시간 추론의 가능성을 입증한다.

제안 방법

• 시스템은 시간에 따라 활동과 공간적 맥락의 공동 확률을 모델링하기 위해 동적 그래픽 모델을 사용한다.
• 웨어러블 센서 보드(가속도계, 자이로스코프)와 GPS 측정치로부터 비동기 관측치를 융합한다.
• 연속 상태공간과 비선형 역학을 처리하기 위해 근사 추론을 위해 입자 필터링을 사용한다.
• 일부 설정에서 계산 효율성과 정확도를 향상시키기 위해 잘라낸 정확한 추론을 적용한다.
• 센서 입력과 활동 및 위치 상태 간의 조건부 확률 분포를 사용한다.
• 숨은 마르코프 모델 프레임워크를 확장하여 공간적 맥락을 잠재 변수로 포함함으로써 공동 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 센서 또는 GPS 단독 사용과 비교하여 활동과 공간적 맥락의 공동 추론이 인식 정확도를 향상시킬 수 있는가?
• RQ2 비동기 센서 및 GPS 데이터 융합이 활동 및 위치 인식 성능에 어떤 영향을 미치는가?
• RQ3 높은 인식 정확도를 유지하면서 하드웨어 부담을 어느 정도 줄일 수 있는가?
• RQ4 이 공동 추론 작업에서 입자 필터링과 잘라낸 정확한 추론은 정확도와 효율성 측면에서 어떻게 비교되는가?
• RQ5 동적 그래픽 모델이 활동과 공간적 맥락 간의 시간적 의존성을 효과적으로 모델링할 수 있는가?

주요 결과

• 공동 측정 모델은 GPS 또는 센서 데이터 단독 사용 모델보다 활동 및 공간적 맥락 인식에서 뚜렷한 성능 향상을 보였다.
• 입자 필터링과 잘라낸 정확한 추론 모두 정확한 추론을 가능하게 했으며, 통제된 평가에서 잘라낸 정확한 추론이 더 높은 정확도를 보였다.
• 착용하는 센서의 수를 최소화함으로써 인식 정확도를 향상시키고, 사용자 편안함과 배터리 수명을 향상시켰다.
• 비동기 센서 및 GPS 데이터 융합은 시간에 따라 더 견고하고 일관된 상태 추정을 가능하게 했다.
• 동적 그래픽 모델은 활동과 공간적 맥락 간의 시간적 의존성을 효과적으로 포착하여 전체 추론 품질을 향상시켰다.
• UAI 2006 회의에서의 실증 결과는 실세계 환경에서 공동 추론 접근 방식의 효과성을 입증했다.