[논문 리뷰] Unsupervised Embedding Learning for Human Activity Recognition Using Wearable Sensor Data

Taoran Sheng, Manfred Huber|arXiv (Cornell University)|2023. 07. 21.

Context-Aware Activity Recognition Systems참고 문헌 13인용 수 6

한 줄 요약

이 논문은 웨어러블 센서 데이터에서 시간적 일관성과 국소성 유지라는 도메인 특화된 우선 사항을 활용하여 인간 활동 인식을 위한 구분 가능한 임bedding을 학습하는 비지도 자동에코더 기반 방법을 제안한다. 이러한 도메인 특화된 우선 사항을 손실 함수에 통합함으로써, 표준 자동에코더와 주성분 분석(PCA)을 능가하는 성능을 보이며, PAMAP2에서 k-means를 사용해 최대 0.8543의 정확도를 달성함으로써 벤치마크 데이터셋에서 군집 성능을 향상시킨다.

ABSTRACT

The embedded sensors in widely used smartphones and other wearable devices make the data of human activities more accessible. However, recognizing different human activities from the wearable sensor data remains a challenging research problem in ubiquitous computing. One of the reasons is that the majority of the acquired data has no labels. In this paper, we present an unsupervised approach, which is based on the nature of human activity, to project the human activities into an embedding space in which similar activities will be located closely together. Using this, subsequent clustering algorithms can benefit from the embeddings, forming behavior clusters that represent the distinct activities performed by a person. Results of experiments on three labeled benchmark datasets demonstrate the effectiveness of the framework and show that our approach can help the clustering algorithm achieve improved performance in identifying and categorizing the underlying human activities compared to unsupervised techniques applied directly to the original data set.

연구 동기 및 목표

• 웨어러블 센서에서 인간 활동 인식(HAR)에 있어 레이블이 제한된 문제를 해결하기 위해.
• 대량의 레이블이 없는 웨어러블 센서 데이터로부터 의미 있는 표현을 학습하는 비지도 방법을 개발하기 위해.
• 유사한 활동이 서로 가까이 오도록 센서 시퀀스를 임베딩하는 공간에 매핑하여 후속 군집 성능을 향상시키기 위해.
• 시간적 일관성과 개인에 관계없이 동일한 활동 특성이라는 도메인 특화 우선 사항을 학습 과정에 통합하기 위해.
• 수동 애너테이션을 필요로 하지 않고도 비지도 표현 학습이 경쟁 가능한 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 원시 웨어러블 센서 시퀀스로부터 압축된, 저차원 표현을 학습하기 위해 딥 자동에코더 아키텍처를 사용한다.
• 동일한 활동 내에서 시간적으로 인접한 샘플 간에 일관된 임베딩을 유도하는 시간적 일관성(TC) 손실을 도입한다.
• 유사한 활동의 임베딩을 가까이 모으고, 비유사한 활동의 임베딩은 떼어내는 국소성 유지(LP) 손실을 적용하여 개인별 변동성을 줄인다.
• 자동에코더의 재구성 손실과 함께 TC 및 LP 손실을 함께 최적화하는 통합 목적 함수를 구성한다.
• 지표 레이블 없이도 서로 다른 활동 군집을 식별하기 위해 학습된 임베딩에 k-means 군집화를 적용한다.
• 표준 평가 지표를 사용하여 PAMAP2, REALDISP, SBHAR 세 가지 벤치마크 HAR 데이터셋에서 접근 방식을 검증한다.

Figure 1: The typical process of HAR.

실험 결과

연구 질문

• RQ1 레이블이 전혀 없는 상황에서 비지도 표현 학습이 인간 활동 인식에서 군집 성능을 향상시킬 수 있는가?
• RQ2 시간적 일관성과 국소성 유지 기법이 HAR를 위한 더 나은 임베딩 학습에 어떻게 기여하는가?
• RQ3 도메인 특화된 인도크티브 바이어스를 통합한 자동에코더가 표준 자동에코더와 PCA보다 비지도 HAR에서 더 나은 성능을 내는가?
• RQ4 제안된 손실 구성 요소들이 개별적으로나 함께 작용할 때 군집 정확도 향상에 어느 정도 기여하는가?
• RQ5 레이블이 전혀 없는 상황에서 이 방법은 감독 학습 기반 HAR 베이스라인과 비교해 군집 품질 측면에서 어떻게 성능을 내는가?

주요 결과

• 제안된 방법은 PAMAP2 데이터셋에서 k-means를 사용해 0.8543의 정확도를 달성했으며, 표준 자동에코더(0.7859)와 PCA를 뛰어넘는 성능을 보였다.
• REALDISP 데이터셋에서는 LP + AE 손실을 사용한 경우 다음으로 우수한 베이스라인(0.6610)을 상회하는 0.6812의 정확도를 기록했다.
• 제거 실험을 통해 시간적 일관성과 국소성 유지 손실을 함께 사용할 경우 가장 우수한 군집 성능을 보였으며, PAMAP2에서 ARI는 0.8016, NMI는 0.8730을 기록했다.
• 통합 손실 함수는 개별 손실 구성 요소보다 군집 성능을 향상시켜, 두 가지 인도크티브 바이어스가 상호 보완적인 이점을 제공한다는 것을 시사한다.
• 조깅과 달리기와 같은 미세한 활동을 구분하는 데 어려움을 겪었지만, 운동 패턴의 유사성으로 인한 미세한 오분류 외에는 강력한 성능 유지를 유지했다.
• 개인별 변동성에 대해 강건함을 보였으며, 활동에 관련된 특징에 집중함으로써 다양한 개인 간 유사 활동을 성공적으로 군집화했다.

Figure 2: The overall architecture of the approach.