[论文解读] Automated Human Activity Recognition by Colliding Bodies Optimization-based Optimal Feature Selection with Recurrent Neural Network

Pankaj Khatiwada, Ayan Chatterjee+1 more|arXiv (Cornell University)|Oct 7, 2020

Context-Aware Activity Recognition Systems被引用 7

一句话总结

本文提出了一种新型的人类活动识别（HAR）系统，采用基于碰撞体优化（CBO）的特征选择方法，并结合循环神经网络（RNN）以提升分类准确率。通过从UCI HAR数据集的传感器数据中选择最优特征，该模型在性能上优于传统方法，证明了CBO在降低维度的同时保留判别性信息以支持深度学习的有效性。

ABSTRACT

In smart healthcare, Human Activity Recognition (HAR) is considered to be an efficient model in pervasive computation from sensor readings. The Ambient Assisted Living (AAL) in the home or community helps the people in providing independent care and enhanced living quality. However, many AAL models were restricted using many factors that include computational cost and system complexity. Moreover, the HAR concept has more relevance because of its applications. Hence, this paper tempts to implement the HAR system using deep learning with the data collected from smart sensors that are publicly available in the UC Irvine Machine Learning Repository (UCI). The proposed model involves three processes: (1) Data collection, (b) Optimal feature selection, (c) Recognition. The data gathered from the benchmark repository is initially subjected to optimal feature selection that helps to select the most significant features. The proposed optimal feature selection is based on a new meta-heuristic algorithm called Colliding Bodies Optimization (CBO). An objective function derived by the recognition accuracy is used for accomplishing the optimal feature selection. Here, the deep learning model called Recurrent Neural Network (RNN) is used for activity recognition. The proposed model on the concerned benchmark dataset outperforms existing learning methods, providing high performance compared to the conventional models.

研究动机与目标

• 解决面向老年人或残障人士的辅助生活（AAL）系统中高计算成本和系统复杂性的问题。
• 在普适医疗环境中，利用智能传感器数据提升人类活动识别（HAR）的准确率与效率。
• 通过最优选择过程降低特征维度，同时保留用于活动分类的判别性信息。
• 将元启发式优化算法（CBO）与深度学习（RNN）结合，实现端到端HAR性能的提升。
• 在公开的基准数据集（UCI HAR）上评估所提出的模型，并与现有最先进方法进行比较。

提出的方法

• 所提出的方法以从智能手机传感器收集的UCI人类活动识别数据集作为HAR的输入。
• 采用一种新颖的元启发式优化算法——碰撞体优化（CBO），基于从识别准确率导出的目标函数，执行最优特征选择。
• CBO算法通过模拟空间中物体的物理碰撞动力学，迭代搜索最佳特征子集。
• 所选特征被输入到循环神经网络（RNN）中，用于序列建模与活动分类，从而利用传感器数据中的时间依赖性。
• CBO的目标函数定义为RNN模型的分类准确率，该函数驱动优化过程向高性能特征子集收敛。
• 模型在UCI HAR基准数据集上使用标准交叉验证协议进行训练与验证。

实验结果

研究问题

• RQ1 像CBO这样的元启发式优化算法能否在保持或提升HAR分类准确率的同时，有效降低特征维度？
• RQ2 将基于CBO的特征选择与RNN模型结合，在HAR任务中与传统特征选择和学习方法相比表现如何？
• RQ3 最优特征选择对深度学习模型在HAR中的计算效率与性能有何影响？
• RQ4 所提出的CBO-RNN框架是否在UCI HAR基准数据集上优于现有最先进HAR模型？
• RQ5 基于识别准确率的目标函数在多大程度上引导CBO算法找到最优特征子集？

主要发现

• 所提出的基于CBO的特征选择方法显著提升了RNN模型在UCI HAR数据集上的识别准确率，优于基线方法。
• 该模型通过仅选择最具信息量的特征，实现了高性能分类，同时降低了计算开销而不损失准确率。
• CBO与RNN的结合提升了在传感器序列中识别人类活动的泛化能力与鲁棒性。
• 结果表明，CBO算法能有效探索特征空间并收敛至高性能子集，优于传统过滤法与包装法。
• 所提出的框架在智能医疗与辅助生活系统中的实时、低复杂度HAR应用中展现出巨大潜力。
• 该模型性能超过传统模型，证实了将元启发式优化与深度学习结合用于HAR的有效性。