[论文解读] Probabilistic Sensor Fusion for Ambient Assisted Living

Tom Diethe, Niall Twomey+3 more|arXiv (Cornell University)|Feb 4, 2017

Context-Aware Activity Recognition Systems参考文献 24被引用 12

一句话总结

本文提出了一种用于智能生活环境的贝叶斯概率传感器融合框架，整合异构传感器模态（例如加速度计、环境传感器、视频）以提升活动识别与位置预测性能。通过显式建模不确定性并实现位置与活动的联合学习，该方法优于基准模型，并能识别每项活动的关键传感器模态与特征。

ABSTRACT

There is a widely-accepted need to revise current forms of health-care provision, with particular interest in sensing systems in the home. Given a multiple-modality sensor platform with heterogeneous network connectivity, as is under development in the Sensor Platform for HEalthcare in Residential Environment (SPHERE) Interdisciplinary Research Collaboration (IRC), we face specific challenges relating to the fusion of the heterogeneous sensor modalities. We introduce Bayesian models for sensor fusion, which aims to address the challenges of fusion of heterogeneous sensor modalities. Using this approach we are able to identify the modalities that have most utility for each particular activity, and simultaneously identify which features within that activity are most relevant for a given activity. We further show how the two separate tasks of location prediction and activity recognition can be fused into a single model, which allows for simultaneous learning an prediction for both tasks. We analyse the performance of this model on data collected in the SPHERE house, and show its utility. We also compare against some benchmark models which do not have the full structure,and show how the proposed model compares favourably to these methods

研究动机与目标

• 解决在智能家庭环境中融合异构传感器数据以支持智能生活应用的挑战。
• 在家庭健康监测中实现透明且具备不确定性感知的决策。
• 从多模态传感器流中同时学习并预测位置与活动。
• 识别对特定活动最具信息量的传感器模态与特征。
• 通过分层贝叶斯模型支持在个体与家庭之间进行迁移学习。

提出的方法

• 作者采用贝叶斯概率图模型表示数据生成过程，并引入传感器特定的噪声模型。
• 使用分层贝叶斯模型在个体之间共享信息，实现从群体到新个体的迁移学习。
• 通过概率化建模传感器得分，融合早期与晚期融合策略，避免启发式分类器堆叠。
• 通过统一的概率结构联合学习位置与活动预测，提升推理鲁棒性。
• 基于模型中后验相关性选择特征，实现对驱动决策输入的可解释性分析。
• 采用重尾先验与元特征，以实现对不同部署环境（如跨房屋迁移）的泛化能力。

实验结果

研究问题

• RQ1 在智能家庭环境中，哪些传感器模态对识别特定活动最具信息量？
• RQ2 如何联合建模位置预测与活动识别以提升性能？
• RQ3 统一的贝叶斯模型是否能在传感器融合任务中优于独立或启发式融合方法？
• RQ4 如何实现对新个体（初始数据有限）的模型有效迁移？
• RQ5 该模型如何处理真实传感器流中的缺失数据与不确定性？

主要发现

• 所提出的贝叶斯融合模型优于缺乏不确定性完整结构整合与联合学习的基准模型。
• 该模型成功识别出每项活动最具相关性的传感器模态与特征，实现可解释的决策过程。
• 联合建模位置与活动识别相比独立模型显著提升了预测准确率。
• 迁移学习使新个体在无初始数据的情况下也能实现准确预测，依赖于群体层面的先验信息。
• 该框架能有效处理缺失数据与时间模式，通过传感器流的概率推理实现。
• 该模型支持个性化与泛化预测，且在新数据到达时可实现平滑适应。