[논문 리뷰] Predicting physiological developments from human gait using smartphone sensor data

Umair Ahmed, Muhammad Faizyab Ali외 2명|arXiv (Cornell University)|2017. 12. 13.

Context-Aware Activity Recognition Systems참고 문헌 23인용 수 4

한 줄 요약

이 연구는 수동으로 수집한 가속도계 및 자이로스코프 데이터를 기반으로 스마트폰을 활용해 신체질량지수(BMI)와 연령군을 예측하는 시스템을 제안한다. 특징 추출을 위해 수작업으로 설계된 특징과 가우시안 및 제곱 윈도우링 기법을 사용하며, 기계학습을 통해 분류 성능을 향상시켰다. 최고의 성능을 보인 모델인 k-최근접 이웃(KNN)은 가우시안 필터링을 사용하여 BMI 예측에서 94.47%의 참 양성률을 달성했고, 연령 분류에서는 95.9%의 참 양성률을 기록했다.

ABSTRACT

Coronary artery disease, heart failure, angina pectoris and diabetes are among the leading causes of morbidity and mortality over the globe. Susceptibility to such disorders is compounded by changing lifestyles, poor dietary routines, aging and obesity. Besides, conventional diagnostics are limited in their capability to detect such pathologies at an early stage. This generates demand for automatic recommender systems that could effectively monitor and predict pathogenic behaviors in the body. To this end, we propose human gait analysis for predicting two important physiological parameters associated with different diseases, body mass index and age. Predicting age and body mass index by actively profiling the gait samples, could be further used for providing suitable healthcare recommendations. Existing strategies for predicting age and body mass index, however, necessitate stringent experimental settings for achieving appropriate performance. For instance, precisely recorded speech signals were recently used for predicting body mass indices of different subjects. Similarly, age groups were predicted by recording gait samples from on-body and wearable sensors. Such specialized methods limit active and convenient profiling of human age and body mass indices. We address these issues, by introducing smartphone sensors as a means for recording gait signals. Using on-board accelerometer and gyroscope helps in developing easy-to-use and accessible systems for predicting body mass index and age. To empirically show the effectiveness of our proposed methodology, we collected gait samples from sixty-three different subjects that were classified in body mass index and age groups using six well-known machine learning classifiers. We evaluated our system using two different windowing operations for feature extraction, namely Gaussian and Square.

연구 동기 및 목표

• 스마트폰 센서를 활용해 BMI 및 연령과 같은 생리적 파라미터를 예측할 수 있는 접근 가능하고 비침습적인 방법을 개발하기 위해.
• 특수 장비, 음성 신호 또는 웨어러블 센서에 의존하는 기존 방법의 한계를 극복하기 위해.
• 지속적인 보행 기반 모니터링을 통해 당뇨병, 관상동맥질환 및 심부전과 같은 병리를 조기에 발견할 수 있도록 하기 위해.
• BMI 및 연령 예측의 분류 정확도 향상에 기여하는 다양한 윈도우링 기법(Gaussian 대비 제곱)의 효과를 평가하기 위해.
• 스마트폰 데이터 기반 보행 기반 생리적 예측에 최적의 기계학습 분류기 및 특징 추출 파라미터를 규명하기 위해.

제안 방법

• 정상 보행 중 63명의 참가자로부터 스마트폰 가속도계 및 자이로스코프 센서를 이용해 보행 데이터를 수집하였다.
• 시간-시리즈 데이터를 분할하여 두 가지 윈도우링 연산(Gaussian 윈도우 및 제곱 윈도우)을 사용해 14개의 통계적 특징을 추출하였다.
• 분류기 성능의 통계적 유의성을 확보하기 위해 10겹 교차검증을 적용하였다.
• 6종의 기계학습 분류기(KNN, 랜덤 포레스트, SVM, 다층퍼셉트론, J48 의사결정트리, 로지스틱 회귀)를 사용하였다.
• 경험적 평가를 통해 윈도우 파라미터(가우시안 BMI의 경우 σ = 0.36초, 가우시안 연령의 경우 σ = 0.5초; 제곱 윈도우의 경우 너비 = 0.83초 및 1.11초)를 최적화하였다.
• 주파수 도메인 분석을 수행하여, 가우시안 필터링이 제곱 필터링보다 성능이 뛰어난 이유를 설명하였다. 이는 스펙트럼 누설과 노이즈 증폭이 감소하기 때문이다.

실험 결과

연구 질문

• RQ1 특수 센서나 통제된 환경 없이 스마트폰 기반 보행 분석이 BMI와 연령군을 정확하게 예측할 수 있는가?
• RQ2 다양한 윈도우링 기법(Gaussian 대비 제곱)이 보행 신호에서 BMI 및 연령을 분류하는 기계학습 모델의 성능에 어떤 영향을 미치는가?
• RQ3 스마트폰 센서 데이터에서 BMI 및 연령을 예측하는 데 있어 어떤 기계학습 분류기가 가장 높은 정확도를 달성하는가?
• RQ4 보행 기반 생리적 예측의 특징 추출에 최적의 윈도우 크기와 표준편차는 무엇인가?
• RQ5 왜 가우시안 필터링이 분류 정확도 측면에서 제곱 필터링을 능가하는가? 그 뒤에 있는 신호 처리 이론적 배경은 무엇인가?

주요 결과

• k-최근접 이웃(KNN)은 가우시안 윈도우링을 사용하여 σ = 0.36초일 때 BMI 예측에서 가장 높은 참 양성률 94.47%를 기록하였다.
• 연령 분류의 경우 KNN는 σ = 0.5초인 가우시안 필터링을 사용하여 95.9%의 참 양성률을 기록했으며, 다른 분류기들보다 뛰어난 성능을 보였다.
• SVM는 제곱 윈도우링을 사용하여 너비 = 1.11초일 때 연령 예측에서 94.28%의 정확도를 기록했으며, 모든 모델 중 두 번째로 높은 성능을 보였다.
• 가우시안 필터링의 성능은 표준편차가 임계값을 초과할 경우 크게 향상되었는데, 이는 BMI의 경우 0.31초, 연령의 경우 0.56초 이상일 때 주파수 응답이 더 집중되기 때문이다.
• 푸리에 분석 결과, 제곱 윈도우링은 스팩트럼 띠(스인크 응답)를 유도하여 노이즈 민감도를 증가시키는 반면, 가우시안 필터링은 단일 피크로 수렴하여 간섭을 줄이는 것으로 나타났다.
• 로지스틱 회귀는 두 작업 모두에서 열등한 성능을 보였으며, BMI 및 연령 예측에서 각각 69.43%와 69.04%의 참 양성률을 기록했다.