초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근 유비쿼터스 컴퓨팅 기술이 발전함에 따라 주거환경 내에 저전력, 저비용의 센서들을 사용하여 사용자의 상황과 환경에 맞는 사용자 맞춤형 서비스를 제공할 수 있는 사물 인터넷 환경의 중요성이 부각되고 있다. 이러한 사물 인터넷 환경에서 다양한 센서들은 스마트폰, 가전 기기, 멀티미디어 기기 등에 탑재되어 사용자 개인의 정보뿐만 아니라 사용자 주변 환경에 대한 정보를 실시간으로 측정하고 데이터베이스에 저장한다. 이렇게 수집되는 정보들을 사용자 맞춤형 서비스에 활용하기 위하여 사용자의 행동을 정확하게 인식하기 위한 연구가 활발히 진행 중이다.
사용자의 행동 인식을 위한 기존의 연구는 시각 센서, ...

최근 유비쿼터스 컴퓨팅 기술이 발전함에 따라 주거환경 내에 저전력, 저비용의 센서들을 사용하여 사용자의 상황과 환경에 맞는 사용자 맞춤형 서비스를 제공할 수 있는 사물 인터넷 환경의 중요성이 부각되고 있다. 이러한 사물 인터넷 환경에서 다양한 센서들은 스마트폰, 가전 기기, 멀티미디어 기기 등에 탑재되어 사용자 개인의 정보뿐만 아니라 사용자 주변 환경에 대한 정보를 실시간으로 측정하고 데이터베이스에 저장한다. 이렇게 수집되는 정보들을 사용자 맞춤형 서비스에 활용하기 위하여 사용자의 행동을 정확하게 인식하기 위한 연구가 활발히 진행 중이다.
사용자의 행동 인식을 위한 기존의 연구는 시각 센서, 웨어러블 센서, 모바일 기기에 탑재된 센서들을 사용하였다. 그러나 이러한 센서들은 사용자의 신체에 부착되거나 행동이 직접적으로 측정되는 형태로 사용자의 불편함, 사생활 침해 문제를 동반한다. 앞서 언급한 사용자의 불편함, 사생활 침해 문제를 해결하기 위하여 사용자의 직접적인 정보가 아닌 사용자 주변의 환경 정보를 통하여 행동 인식을 수행할 수 있는 연구가 필요하다. 따라서 본 논문에서는 실내에서 사용자의 상황을 간접적으로 측정 할 수 있는 센서를 행동 인식에 사용한다.
행동 인식은 입력데이터로부터 특징을 추출하고 행동을 분류하는 과정으로 구성되는데 정확한 행동 인식을 위해서는 데이터의 특성을 이해하고 데이터에 적합한 특징 추출 알고리즘을 사용하여야한다. 기존의 행동 분류 연구는 KNN, SVM을 사용한 행동 분류를 수행하였으나 특징의 일반화가 어렵다는 한계점이 있다. 한계점을 보완하기 위하여 최근 딥러닝을 사용한 연구들이 진행 되었는데 딥러닝은 비선형 변환을 이용하여 행동 인식에 효율적인 특징들을 학습 할 수 있다. 딥러닝 중 이미지 인식에 뛰어난 성능을 보이는 CNN을 이용한 행동 인식이 연구되었지만 CNN은 데이터의 순서를 반영할 수 없어 시계열 데이터의 분류에 적합하지 않다. RNN의 개선된 버전인 LSTM 신경망은 데이터의 순서를 고려하여 특징을 추출하지만 특징의 학습에 여러 요소가 쓰일 경우 학습에 시간이 오래 걸리는 단점이 있다. 따라서 본 논문은 CNN과 LSTM을 앙상블한 모델인 Convolutional – LSTM 신경망을 사용하여 실내 행동 인식에 효율적인 특징을 학습하고 행동 분류에 사용한다.
제안한 시스템의 효용성 검증을 위해 사물인터넷 기반의 센서들을 사용하여 실시간으로 환경 데이터를 수집할 수 있는 테스트베드를 구성하였다. 또한 CNN, LSTM, FC-LSTM과의 성능 비교를 통해 다채널의 시계열 데이터를 통한 행동 인식에 있어 Convolutional – LSTM 신경망이 다른 신경망보다 효율적인 실내 행동 인식이 가능함을 보인다. 본 논문을 통하여 기존 연구의 한계점인 사용자의 불편함, 사생활 침해 문제를 해결 할 수 있는 실내 행동 인식 시스템을 제안하였다. 차후 제안한 실내 행동 인식 시스템을 이용하여 1인 가구 맞춤형 에너지 소비 최적화, 이상 상황 감지 등과 같은 개인 공간 맞춤형 서비스의 연구에 활용 할 수 있다.