[논문 리뷰] An LSTM Recurrent Network for Step Counting

Ziyi Chen|arXiv (Cornell University)|2018. 02. 10.

Indoor and Outdoor Localization Technologies참고 문헌 8인용 수 6

한 줄 요약

이 논문은 WeAllWalk 데이터셋의 가속도계 및 자이로스코프 데이터를 사용하여 스마트폰 기반의 보행 횟수 세기용 LSTM 순환 신경망을 제안한다. 시력이 있는 사용자, 장애인이 장대를 사용하는 경우, 장애인이 반려견을 동반한 경우로 나누어 각각 별도로 훈련된 모델은 혼합 데이터에서 1%의 과소계산/과대계산 오차율을 기록했으며, 유저별 분리된 교차검증에서는 5%의 과소계산/과대계산 오차율을 기록하여 다양한 보행 패턴에 걸쳐 뛰어난 성능을 입증한다.

ABSTRACT

Smartphones with sensors such as accelerometer and gyroscope can be used as pedometers and navigators. In this paper, we propose to use an LSTM recurrent network for counting the number of steps taken by both blind and sighted users, based on an annotated smartphone sensor dataset, WeAllWork. The models were trained separately for sighted people, blind people with a long cane or a guide dog for Leave-One-Out training modality. It achieved 5% overcount and undercount rate.

연구 동기 및 목표

• 스마트폰 센서 데이터를 활용한 정확한 보행 횟수 세기용 딥러닝 모델 개발
• 시력이 있는 사람과 보행 보조도구를 사용하는 시각 장애인이 가진 다양한 보행 패턴 간의 과제 해결
• 순환 신경망을 활용한 실내 환경에서의 보행 횟수 세기 정확도 향상
• 다양한 사용자 집단에 대한 모델 성능 평가를 다중 오차 지표를 사용하여 수행
• 훈련 데이터의 다양성이 시각 장애 사용자에 대한 모델 일반화 능력에 미치는 영향 탐색

제안 방법

• WeAllWalk 데이터셋의 iPhone 센서 데이터(가속도계 및 자이로스코프)를 기반으로 LSTM 순환 신경망을 훈련한다.
• 보행 역학에 관련성이 있는 회전 속도(X, Y, Z)와 사용자 가속도(X, Y, Z)를 입력 특징으로 선택한다.
• 데이터 전처리 과정에서 도르래 구간 및 이벤트(예: 문 열기)를 제거하여 직선 보행 경로에만 집중한다.
• 모델은 순차적 센서 데이터를 처리하기 위해 슬라이딩 윈도우 방식을 사용하며, 각 시간 단위에서 보행 이벤트를 예측한다.
• 일반화 성능 향상과 과적합 방지를 위해 드롭아웃 레이어를 적용한다.
• 세 가지 별도의 오차 지표를 사용하여 과소계산 및 과대계산 비율을 평가하며, 결과는 사용자 집단 및 훈련 전략별로 보고된다.

실험 결과

연구 질문

• RQ1 LSTM 모델은 시력이 있는 사용자와 보행 보조도구를 사용하는 시각 장애인이 가진 다양한 보행 특성 간의 보행 횟수 세기 패턴을 효과적으로 학습하고 일반화할 수 있는가?
• RQ2 혼합 데이터 훈련과 유저별 분리된 교차검증 간의 성능 차이가 다양한 사용자 집단에서 어떻게 나타나는가?
• RQ3 다양한 오차 지표가 보행 횟수 세기 시스템에서 과소계산 및 과대계산 비율 평가에 어떤 영향을 미치는가?
• RQ4 보행 보조도구(장대, 반려견)의 포함 여부가 모델이 발끝 착지 패턴을 정확히 탐지하는 데 어떤 영향을 미치는가?
• RQ5 참가자 수 등 데이터의 다양성이 모델이 미리 보지 않은 사용자에 대한 일반화 성능에 얼마나 영향을 미치는가?

주요 결과

• 혼합 훈련 데이터에서 LSTM 모델은 과소계산 및 과대계산 비율이 각각 1%로 나타나 다양한 보행 패턴에 걸쳐 매우 높은 정확도를 보였다.
• 계층적 유저별 분리된 교차검증 훈련 방식에서 모델은 과소계산 및 과대계산 비율이 5%를 유지하여 개인 사용자 간의 변동성에 대비한 뛰어난 강건성을 입증했다.
• 장대를 사용하는 시각 장애 사용자에 대해 최고 성능을 보인 지표(지표 3)는 테스트 세트에서 과소계산 비율 1.2%, 과대계산 비율 3.01%를 기록하여 강력한 일반화 능력을 보였다.
• 반려견을 동반한 시각 장애 사용자 그룹은 더 높은 오차율을 보였으며, 지표 3 기준 과대계산 비율 17.75%, 과소계산 비율 0.53%를 기록하여 드문 보행 패턴을 모델링하는 데 어려움이 있음을 시사했다.
• 모델 성능은 오차 지표 선택에 민감하게 반응했으며, 간격 분할에 민감한 지표 1은 지표 2 및 3에 비해 상당히 높은 오차율을 보였다.
• 검증 성능는 높았지만, 시각 장애 사용자 집단에서의 테스트 성능는 일관되지 않았으며, 일반화 능력을 향상시키기 위해 더 크고 다양한 훈련 데이터가 필요함을 시사했다.