[论文解读] An LSTM Recurrent Network for Step Counting

Ziyi Chen|arXiv (Cornell University)|Feb 10, 2018

Indoor and Outdoor Localization Technologies参考文献 8被引用 6

一句话总结

本文提出一种基于LSTM的循环神经网络，利用WeAllWalk数据集中的加速度计和陀螺仪数据，实现基于智能手机的步数计数。模型分别在视力正常者、使用长杖的盲人以及使用导盲犬的盲人用户数据上进行训练，在混合数据上实现1%的过计数/欠计数率，在分层留一法交叉验证中实现5%的过计数/欠计数率，表明其在不同步态模式下均具有稳健性能。

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.

研究动机与目标

• 开发一种深度学习模型，利用智能手机传感器数据实现高精度步数计数。
• 解决视力正常者与使用助行工具的视觉障碍者之间步态模式差异带来的挑战。
• 利用循环神经网络提升室内环境中步数计数的准确性。
• 通过多种误差指标评估不同用户群体的模型性能。
• 探索训练数据多样性对盲人用户模型泛化能力的影响。

提出的方法

• 在WeAllWalk数据集的iPhone传感器数据（加速度计和陀螺仪）上训练LSTM循环神经网络。
• 输入特征包括旋转速率（X, Y, Z）和用户加速度（X, Y, Z），因其与步态动力学的相关性被选中。
• 数据预处理过程移除了转弯段和特征事件（如开门），仅保留直线行走路径。
• 模型采用滑动窗口方法处理序列传感器数据，每个时间步预测步数事件。
• 应用Dropout层以提升泛化能力并减少过拟合。
• 使用三种不同的误差指标评估过计数和欠计数率，结果按用户群体和训练策略分别报告。

实验结果

研究问题

• RQ1 LSTM模型能否有效学习并泛化于具有不同步态特征的视力正常者与视觉障碍者之间的步数计数模式？
• RQ2 当在混合数据与分层留一法交叉验证下训练时，模型在不同用户群体中的性能如何变化？
• RQ3 不同误差指标对步数计数系统中过计数与欠计数率的评估有何影响？
• RQ4 使用助行工具（长杖、导盲犬）如何影响模型对脚跟触地检测的准确性？
• RQ5 数据多样性（参与者数量）在多大程度上影响模型对未见用户的泛化性能？

主要发现

• LSTM模型在混合训练数据上实现了1%的过计数与欠计数率，表明其在多样化步态模式下具有高精度。
• 在分层留一法训练模式下，模型维持了5%的过计数与欠计数率，表明其对个体用户差异具有强鲁棒性。
• 对于使用长杖的盲人用户，表现最佳的指标（指标3）在测试集上仅出现1.2%的欠计数与3.01%的过计数，表明其泛化能力出色。
• 使用导盲犬的盲人用户表现出更高的误差率，指标3下过计数率达17.75%，欠计数率为0.53%，表明其在建模罕见步态模式方面存在挑战。
• 模型性能对误差指标的选择敏感，指标1因对时间区间分割敏感，导致误差率显著高于指标2与指标3。
• 尽管验证性能较高，但模型在盲人用户群体上的测试性能不一致，凸显了需要更大、更丰富的训练数据以提升泛化能力。