유비쿼터스 컴퓨팅 기술 분야에서는 인간 행동 인지 기술에 대한 지속적인 연구가 수행되고 있다. 최근 사물 인터넷과 기계 학습 기술이 급 부상하면서, 사물 인터넷 기술이 적용된 기기들을 활용하여 데이터를 수집하고, 수집된 데이터를 바탕으로 기계 학습 기술을 적용하여 인간 행동을 인지하는 기술이 활발하게 연구되고 있다. 그러나 대부분의 인간 행동 인지 기술은 걷기, 달리기 같은 활동성이 큰 행동만을 고려하고 있다. 이러한 연구 방향은 주로 ...
유비쿼터스 컴퓨팅 기술 분야에서는 인간 행동 인지 기술에 대한 지속적인 연구가 수행되고 있다. 최근 사물 인터넷과 기계 학습 기술이 급 부상하면서, 사물 인터넷 기술이 적용된 기기들을 활용하여 데이터를 수집하고, 수집된 데이터를 바탕으로 기계 학습 기술을 적용하여 인간 행동을 인지하는 기술이 활발하게 연구되고 있다. 그러나 대부분의 인간 행동 인지 기술은 걷기, 달리기 같은 활동성이 큰 행동만을 고려하고 있다. 이러한 연구 방향은 주로 헬스 케어 및 의료 분야에서 건강 증진이나 환자 상태 모니터링과 같은 제한된 목적으로 사용되고 있다. 본 논문에서는 웨어러블 디바이스와 여러가지 기계 학습 알고리즘들을 활용하여 활동성이 큰 행동뿐만 아니라, 휴식, 사무 업무, 독서와 같은 일상 생활 속의 활동성이 작은 행동을 분류하는 방법을 제안한다. 제안된 시스템은 웨어러블 디바이스를 통해 데이터를 수집하고 일정 구간으로 나눈다. 그리고 나눠진 데이터 그룹으로부터 특징을 추출하여 데이터 세트를 만든다. 이 데이터 세트를 사용하여, 여러가지 기계 학습 알고리즘을 기반으로 설계된 모델들의 성능과 활용성에 대하여 연구한다. 최종적으로 이 논문은 기존의 활동성이 큰 행동뿐만 아니라, 일상 생활 속의 활동성이 작은 행동들을 포함한 데이터에 대하여 최고 98%의 예측 정확도를 달성하였다.
유비쿼터스 컴퓨팅 기술 분야에서는 인간 행동 인지 기술에 대한 지속적인 연구가 수행되고 있다. 최근 사물 인터넷과 기계 학습 기술이 급 부상하면서, 사물 인터넷 기술이 적용된 기기들을 활용하여 데이터를 수집하고, 수집된 데이터를 바탕으로 기계 학습 기술을 적용하여 인간 행동을 인지하는 기술이 활발하게 연구되고 있다. 그러나 대부분의 인간 행동 인지 기술은 걷기, 달리기 같은 활동성이 큰 행동만을 고려하고 있다. 이러한 연구 방향은 주로 헬스 케어 및 의료 분야에서 건강 증진이나 환자 상태 모니터링과 같은 제한된 목적으로 사용되고 있다. 본 논문에서는 웨어러블 디바이스와 여러가지 기계 학습 알고리즘들을 활용하여 활동성이 큰 행동뿐만 아니라, 휴식, 사무 업무, 독서와 같은 일상 생활 속의 활동성이 작은 행동을 분류하는 방법을 제안한다. 제안된 시스템은 웨어러블 디바이스를 통해 데이터를 수집하고 일정 구간으로 나눈다. 그리고 나눠진 데이터 그룹으로부터 특징을 추출하여 데이터 세트를 만든다. 이 데이터 세트를 사용하여, 여러가지 기계 학습 알고리즘을 기반으로 설계된 모델들의 성능과 활용성에 대하여 연구한다. 최종적으로 이 논문은 기존의 활동성이 큰 행동뿐만 아니라, 일상 생활 속의 활동성이 작은 행동들을 포함한 데이터에 대하여 최고 98%의 예측 정확도를 달성하였다.
In the field of ubiquitous computing technology, there is continuous research on HAR(human activity recognition) technology. Recently, the Internet of Things and machine learning technology is rapidly emerging in the field. Technology for recognizing human behavior by applying machine learning based...
In the field of ubiquitous computing technology, there is continuous research on HAR(human activity recognition) technology. Recently, the Internet of Things and machine learning technology is rapidly emerging in the field. Technology for recognizing human behavior by applying machine learning based on data obtained from wearable devices enabled with the Internet of Things is actively researched. However, most human activity recognition techniques only consider activities that are highly active, such as walking and running. These research directions are mainly used for health care and medical purposes in a limited scope of health promotion or monitoring patient condition. In this paper, we propose a method to classify not only activities that are highly active but also activities that are less physical in our daily routine such as resting, office work, and reading, by using wearable devices and machine learning algorithms. The data is collected through a wearable device, and then divided by a constant interval. The proposed system extracted features from this group of data to create a data set. The data sets were used to study the performance and usability of models that were designed based on machine learning algorithms. Finally, this paper achieves that the predictive accuracy of the designed model is up to 98% for the data that includes not only the existing research on active behavior but also the newly studied motions that are more inactive in our daily life.
In the field of ubiquitous computing technology, there is continuous research on HAR(human activity recognition) technology. Recently, the Internet of Things and machine learning technology is rapidly emerging in the field. Technology for recognizing human behavior by applying machine learning based on data obtained from wearable devices enabled with the Internet of Things is actively researched. However, most human activity recognition techniques only consider activities that are highly active, such as walking and running. These research directions are mainly used for health care and medical purposes in a limited scope of health promotion or monitoring patient condition. In this paper, we propose a method to classify not only activities that are highly active but also activities that are less physical in our daily routine such as resting, office work, and reading, by using wearable devices and machine learning algorithms. The data is collected through a wearable device, and then divided by a constant interval. The proposed system extracted features from this group of data to create a data set. The data sets were used to study the performance and usability of models that were designed based on machine learning algorithms. Finally, this paper achieves that the predictive accuracy of the designed model is up to 98% for the data that includes not only the existing research on active behavior but also the newly studied motions that are more inactive in our daily life.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.