[논문 리뷰] Wearable Sensor Data Based Human Activity Recognition using Machine Learning: A new approach

Hung D. Nguyen, Kim Phuc Tran외 3명|arXiv (Cornell University)|2019. 05. 09.

Context-Aware Activity Recognition Systems참고 문헌 22인용 수 16

한 줄 요약

이 논문은 웨어러블 센서 기반 인간 활동 인식(HAR)을 위한 앙상블 기계학습 접근법을 제안한다. 이 방법은 로지스틱 회귀, 다층 퍼셉트론, K-NN, SVM, 랜덤 포레스트와 같은 고성능 분류기들을 투표 전략을 통해 조합하여 정확도를 향상시킨다. MHEALTH 데이터셋에서 94.72%의 정확도를 기록했으며, USC-HAD에서는 86.90%를 기록하여 이전의 앙상블 방법들을 능가하며 F-score와 재현율 향상에 있어 뚜렷한 성과를 보였다.

ABSTRACT

Recent years have witnessed the rapid development of human activity recognition (HAR) based on wearable sensor data. One can find many practical applications in this area, especially in the field of health care. Many machine learning algorithms such as Decision Trees, Support Vector Machine, Naive Bayes, K-Nearest Neighbor, and Multilayer Perceptron are successfully used in HAR. Although these methods are fast and easy for implementation, they still have some limitations due to poor performance in a number of situations. In this paper, we propose a novel method based on the ensemble learning to boost the performance of these machine learning methods for HAR.

연구 동기 및 목표

• 웨어러블 센서 데이터를 활용한 기계학습 기반 인간 활동 인식(HAR) 성능 향상.
• 수작업 특징 추출에 의존하거나 복잡한 상황에서 성능이 열등한 전통적 기계학습 모델의 한계를 해결.
• 다양한 기본 분류기들을 앙상블 학습을 통해 조합하여 정확도와 강인성을 향상.
• 기존 방법들과 비교해 보다 우수한 성능을 보이는 기본 모델을 앙상블 프레임워크에 통합할 경우 HAR 성능 향상이 두드러짐을 입증.
• 실시간 건강 모니터링 응용 분야에 적합한 경량적이고 효율적이며 정확한 솔루션 제공.

제안 방법

• 프레임워크는 원시 센서 데이터를 5초의 시간적 슬라이딩 윈도우로 분할하여 활동 샘플로 변환한다.
• 통계적 및 시간 도메인 특징을 사용하여 가속도계, 자이로스코프, 자석계 신호로부터 특징을 추출한다.
• 추출된 특징을 기반으로 로지스틱 회귀, 다층 퍼셉트론, K-NN, SVM, 랜덤 포레스트와 같은 다수의 기본 분류기를 훈련한다.
• 앙상블 투표 분류기가 모든 기본 모델의 예측을 통합하여 최종 활동 레이블을 도출한다.
• 기본 학습기 간의 다양성을 활용하여 일반화 능력을 향상시키고 오차율을 감소시킨다.
• 정확도, 재현율, F-score와 같은 표준 지표를 사용하여 성능를 평가하며, 90% 신뢰구간을 보고한다.

실험 결과

연구 질문

• RQ1 다양한 기계학습 분류기들의 앙상블은 개별 모델 대비 HAR 성능 향상에 기여하는가?
• RQ2 앙상블에 더 높은 성능을 보이는 기본 분류기를 사용할 경우 정확도와 강인성이 향상되는가?
• RQ3 실생활 웨어러블 센서 데이터셋에서 제안된 앙상블 방법은 기존의 앙상블 접근법 대비 정확도, 재현율, F-score 측면에서 어떻게 비교되는가?
• RQ4 앙상블 방법은 오버피팅과 특징 공학에 대한 의존도를 어느 정도 감소시키는가?
• RQ5 제안된 방법은 레이블이 제한된 데이터로도 높은 성능를 유지할 수 있으며, 딥러닝이 필요 없도록 할 수 있는가?

주요 결과

• 제안된 앙상블 방법은 MHEALTH 데이터셋에서 94.72%의 정확도를 기록하여 베이스라인 방법(93.87%)을 능가했다.
• USC-HAD 데이터셋에서는 86.90%의 정확도를 기록하여 베이스라인(85.28%)보다 뚜렷한 향상을 보였다.
• MHEALTH에서 제안된 방법의 F-score는 0.9412로, 베이스라인의 0.9339보다 높아 정밀도와 재현율의 균형이 더 우수함을 시사했다.
• USC-HAD에서 재현율은 83.20%로 상승하여 베이스라인의 81.74%를 초월했으며, 긍정적인 활동 인스턴스 탐지 능력 향상을 보였다.
• 모든 지표에 대해 제안된 방법의 90% 신뢰구간은 일관되게 더 좁고 높아 신뢰성의 향상을 나타냈다.
• 결과는 앙상블 투표를 통해 고성능 기본 모델을 조합할 경우 개별 모델이나 이전의 앙상블 접근법보다 HAR 성능 향상이 뚜렷하게 이루어짐을 확인시켰다.