[论文解读] Recognizing Activities and Spatial Context Using Wearable Sensors

Amarnag Subramanya, Alvin Raj+2 more|arXiv (Cornell University)|Jun 27, 2012

Context-Aware Activity Recognition Systems参考文献 17被引用 78

一句话总结

本文提出一种动态图模型，通过融合异步可穿戴传感器与GPS数据，联合推断人类活动与空间上下文。通过粒子滤波与剪枝精确推理融合多模态传感器输入，该模型在仅使用GPS或传感器时表现出更高的准确性，同时最小化硬件负载，提升舒适度与电池续航。

ABSTRACT

We introduce a new dynamic model with the capability of recognizing both activities that an individual is performing as well as where that ndividual is located. Our model is novel in that it utilizes a dynamic graphical model to jointly estimate both activity and spatial context over time based on the simultaneous use of asynchronous observations consisting of GPS measurements, and measurements from a small mountable sensor board. Joint inference is quite desirable as it has the ability to improve accuracy of the model. A key goal, however, in designing our overall system is to be able to perform accurate inference decisions while minimizing the amount of hardware an individual must wear. This minimization leads to greater comfort and flexibility, decreased power requirements and therefore increased battery life, and reduced cost. We show results indicating that our joint measurement model outperforms measurements from either the sensor board or GPS alone, using two types of probabilistic inference procedures, namely particle filtering and pruned exact inference.

研究动机与目标

• 开发一种系统，利用可穿戴传感器同时识别人类活动与空间上下文。
• 通过最小化佩戴传感器数量，减轻硬件负担，提升用户舒适度与电池效率。
• 通过融合异步传感器与GPS数据，联合建模活动与空间上下文，提升识别精度。
• 评估联合模型相较于独立使用GPS或传感器方法的性能表现。
• 展示利用粒子滤波与剪枝精确推理等高效概率技术实现实时推理的可行性。

提出的方法

• 系统采用动态图模型，对随时间变化的活动与空间上下文的联合概率进行建模。
• 融合可穿戴传感器板（加速度计、陀螺仪）与GPS测量的异步观测数据。
• 采用粒子滤波进行近似推理，以处理连续状态空间与非线性动态。
• 在特定配置下应用剪枝精确推理，以提升计算效率与精度。
• 利用条件概率分布将传感器输入与活动及位置状态关联。
• 在隐马尔可夫模型框架基础上扩展，引入空间上下文作为隐变量，实现联合估计。

实验结果

研究问题

• RQ1 与单独使用传感器或GPS相比，联合推断活动与空间上下文是否能提升识别精度？
• RQ2 异步传感器与GPS数据的融合如何影响活动与位置识别的性能？
• RQ3 在保持高识别精度的前提下，硬件负载可降低到何种程度？
• RQ4 在该联合推断任务中，粒子滤波与剪枝精确推理在精度与效率方面如何比较？
• RQ5 动态图模型能否有效建模活动与空间上下文之间的时序依赖关系？

主要发现

• 联合测量模型在活动与空间上下文识别方面显著优于仅使用GPS或仅使用传感器数据的模型。
• 粒子滤波与剪枝精确推理均能实现准确推理，且在受控评估中剪枝精确推理表现出更高精度。
• 系统在最小化佩戴传感器数量的同时实现更高的识别精度，提升用户舒适度与电池寿命。
• 异步传感器与GPS数据的融合使状态估计在时间上更加鲁棒与一致。
• 动态图模型能有效捕捉活动与空间上下文之间的时序依赖关系，提升整体推理质量。
• 来自UAI 2006会议的实证结果证明了该联合推理方法在真实场景中的有效性。