다중 세그먼트 신호를 이용한 WiFi CSI 기반의 사람 행동 인식

Abstract

센서 기반의 행동 인식 기술은 비전 기반 방식에 비하여 사생활 침해의 우려가 적은 장점이 있다. 이와 더불어 CSI 신호를 이용한 행동 인식 방식은 사용자에게 센서를 부착하거나 센서가 내장된 기기를 휴대해야 하는 불편을 해소하여 사용자 편이성을 극대화할 수 있다. 본 연구에서는 CSI 신호를 효과적으로 식별할 수 있는 두 가지 딥 러닝 모델을 제안한다. CNN 모델은 5개의 합성곱층과 2개의 밀집층으로 구성하였고, 양방향 LSTM 모델은 2개의 Bi-LSTM층과 2개의 밀집층으로 구성하였다. 또한 여러 세그먼트의 예측 결과를 융합하는 예측-점수 융합 방법을 제안한다. 융합 방법은 4개의 규칙(다수결, 곱, 합, 최대)을 사용한다. 본 연구에서는 걷기, 달리기, 앉기, 일어나기, 구부리기, 쓰러지기, 눕기의 7가지 일상 행동에 대한 CSI 신호로 구성된 데이터세트로 실험을 진행하였다. 원천 신호를 동일한 길이의 세그먼트로 분할하기 위해 본 연구에서 제시한 다운샘플링 방식은 슬라이딩 윈도우 방식에 비하여 더 짧은 신호로 더 정확하게 사람의 행동을 식별할 수 있음을 실험을 통해 확인하였다. 제안한 CNN 모델과 양방향 LSTM 모델은 단일 세그먼트 신호에 대하여 각각 89.29%, 95.24%의 정확도를 보여 제안된 모델의 유효성을 확인하였다. 또한 다중 세그먼트를 이용한 예측점수 융합 방식으로 정확도 향상이 가능함을 확인하였다.