Group activity recognition (GAR) is a key challenge in pervasive computing and its solutions have been presented based on various disciplines. Specifically, for GAR in a smart space without a privacy issue, data streams generated by deployed pervasive sensors are leveraged. Graphical models such as HMM and ITBM have been proposed, but their rigid structure results in a domain specificity issue. Even though emerging pattern mining is an alternative, it cannot capture an important characteristic of GAs, so-called causality. In this paper, we propose a causality-aware group activity pattern mining scheme supporting flexible representation. To preserve causally related events and extract frequent patterns of their temporal relations for each GA, we design a knowledge-based preprocessing module and pattern-tree-based pattern learning module. For evaluation, we have collected event streams generated by GAs in an IoT testbed for six months. The evaluation results show that the proposed scheme outperforms existing approaches in terms of accuracy and robustness.
프라이버시 문제가 없는 스마트 공간에서의 그룹 행동 인지를 위하여, 본 연구에서는 스마트 공간에 설치된 pervasive 센서에 의해 생성된 데이터 스트림을 활용하였다. 사용자 행동 인지를 위한 기술로 HMM 및 ITBM과 같은 그래픽 모델들을 주로 이용되는데, 이들은 도메인 특이성을 내포하는 유연하지 못한 구조를 가진다는 단점이 있다. 이에 따라 패턴 기반의 접근법들이 대안으로 제시되었으나, 이러한 기반의 기존 연구들에서는 소위 인과 관계 (causality)라고 불리는 사용자 행동의 중요한 특성을 포착 할 수 없다는 취약점이 있다. 이에 따라, 본 논문에서는 유연한 표현을 지원하는 인과 관계 인식 그룹 활동 패턴 마이닝 기법을 제안한다. IoT 테스트 베드에서 6개월동안 그룹 행동으로 수집한 이벤트 스트림 데이터를 기반으로 제안된 기법을 평가한 결과, 정확성과 환경에 대한 적응성 측면에서 현존 방안보다 우수한 것으로 나타났다.
