유전자 알고리즘을 이용한 공간 주의 기반 CNN을 활용한 센서 데이터에서의 인간 활동 인식

시간 시계열 신호의 시간 및 주파수 관계를 포착하는 것은 착용형 센서 데이터에서 자동 인간 활동 인식(HAR)을 위한 본질적인 장벽을 제공합니다. 센서 읽기 시퀀스의 특성 공간에서 시공간 맥락을 추출하는 것은 현재의 순환형, 컨볼루션형 또는 하이브리드 활동 인식 모델에 도전적입니다. 이러한 모델이 생성하는 대규모 특성 맵은 전체 분류 정확도에도 영향을 미칩니다. 이를 위해 이 연구에서 우리는 착용형 센서 데이터 기반 HAR을 위한 하이브리드 아키텍처를 제안합니다. 먼저, 연속 웨이브렛 변환을 사용하여 센서 데이터의 시간 시계열을 다채널 이미지로 인코딩합니다. 이후 공간 주의 기반 컨볼루션 신경망(CNN)을 활용하여 고차원 특성을 추출합니다. 인간 활동 인식에 가장 중요한 특성을 찾기 위해 새로운 특성 선택(FS) 방법을 개발합니다. FS에 대한 특성의 적합성을 식별하기 위해 먼저 세 가지 필터 기반 방법인 상호 정보(MI), Relief-F, 최솟값 중복 최대 관련성(mRMR)을 사용합니다. 수정된 유전자 알고리즘(GA)을 사용하여 낮은 순위의 특성을 제거하여 최상의 특성 집합을 선택합니다. 그 다음 K-최근접 이웃(KNN) 분류기를 사용하여 인간 활동을 분류합니다. UCI-HAR, WISDM, MHEALTH, PAMAP2, HHAR 등 다섯 개의 잘 알려진 공개 HAR 데이터셋에서 포괄적인 실험을 수행합니다. 우리 모델은 분류 성능 관점에서 최첨단 모델을 크게 능가합니다. 또한 특성 수가 적은 GA 기반 FS 기법을 사용할 때 전체 인식 정확도가 향상되는 것을 관찰합니다. 논문의 소스 코드는 여기에서 공개됩니다 https://github.com/apusarkar2195/HARWaveletTransformSpatialAttentionFeatureSelection.