선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 기존의 동작 모델링은 비디오로 촬영된 움직임을 분석하여 방향이나 다른 객체와의 거리를 통해 모델링하였다[2]. 그리하여 본 논문에서는 스마트폰의 센서만으로 동작을 인식하고 활용하기 위하여 스마트폰 센서 데이터들을 위한 동작 모델링을 제안하였다. 설문지로 조사된 실제 데이터를 기반으로 스마트폰 센서로 인식 가능한 동작을 모델링하고 그에 맞추어 그룹화 하였다.
- 6가지 동작 중 조깅은 걷기동작에서 속도가 2배 빠른 동작이고 계단 오르기와 계단 내려가기도 걷기동작에서 다리의 높낮이 움직임이 큰 동작으로 분류된다. 그리하여 본 연구에서는 조깅, 계단 오르기, 계단 내려가기의 기본 동작을 걷기로 간주하였다. 물리적 동작으로 인간의 기본적인 동작을 정의하기에 앞서 본 연구에서 10명의 지원자를 대상으로 하루 동안의 일상을 5분 단위로 조사하였다.
- 그러면 원래 주황색인 통신 그룹과 구별하기 어려워졌다. 본 논문에서 제시하는 가시화의 목적은 비주얼 마이닝을 사용하여 텍스트 마이닝보다 인식률을 높이는 것이다. 그렇기 때문에 일주일 그래프의 종합데이터 부분은 구현하지 않았다.
- 본 논문에서는 기존의 동작 인식 연구들에서 추출되고 있는 동작 데이터를 모델링하고 분류하여 다양하게 가시화하는 방법을 제안하였다. 기존의 연구들에 의해 분석되는 동작을 물리적, 논리적 동작으로 나누어 정의하고 동작 데이터의 가시화를 위해 논리적 동작을 행동 데이터를 기반으로 분류하였고 그룹화 하였다.
제안 방법
- 각 동작 별 차트를 선정하기 위하여 다양한 차트의 특징을 Microsoft office Excel[9]에서 제공하는 차트를 기본으로 파악하였다. 파악된 차트를 바탕으로 가시화 할 동작 데이터들의 특성을 계열 수, 항목수, 시간 간격, 색 혼합 가능 여부, 데이터 수치에 따라 분석하였다.
- 물리적 동작은 네 가지로 어떠한 가시화 방법을 사용하여도 구별하기 쉬운 대상이다. 각 동작을 색으로 구분지어 가시화하기 위하여 가장 인식이 쉽고 서로 구별하기 쉬운 색의 3원색에 초록색을 덧붙여 네 가지 색을 동작에 매칭시켰다. 그리하여 걷기(Walking)는 빨간색으로 서기(Standing)는 노란색으로 앉기(Sitting)는 초록색으로 서기(Lying)는 파란색으로 지정하였다.
- 조사 결과 모든 동작은 걷기(Walking), 앉기(Sitting), 서기(Standing), 눕기(Lying)을 기반으로 이루어진다는 사실을 발견하게 되었다. 그리하여 WISDM 프로젝트[5]에서 다루지 않은 눕기(Lying) 동작을 추가하여 걷기(Walking), 앉기(Sitting), 서기(Standing), 눕기(Lying) 의 네 가지 동작을 물리적 동작으로 정의하였다.
- 한 그룹에 지정되는 동작 개수는 제한이 없고 대표 동작은 원본 데이터를 토대로 그룹 내에서 가장 많이 사용된 동작으로 지정하였다. 그리하여 각 그룹의 대표 동작은 일하기(Working), 집안일하기(House Hold), 여행하기(Traveling), 아이 돌보기(Take Care Child), 잠자기(Sleeping), 전화하기(Calling), 에러데이터 (Error Data)로 정하였다.
- 하지만 선 차트의 경우 일곱 가지 이상의 선이 겹쳐 표현이 되어 자세히 봐야만 정확한 수치를 인식할 수 있었다. 그리하여 논리적 동작은 막대 차트를 사용하여 구현하였다. 그림 7은 3D 막대 차트를 사용하여 논리적 동작의 하루를 가시화하였다.
- 스텝 차트는 파이 차트에서 표현할 수 없었던 시간을 나타낼 수 있었고 x축은 1시간 간격으로 시간을 표현하였고 y축 또한 시간으로 표현하여 24시간을 10분 단위로 모두 파악 할 수 있게 하였다. 그리하여 스텝 차트에서 하루 동안의 물리적 동작은 그래프에서 1시간, 10분으로 구별되어 가시화하였다. 넓이 차트는 스텝 차트와 동일한 방식을 사용하였다.
- 표 4에서 보았듯 물리적 동작의 한 달 그래프는 차트를 사용할 수 없기 때문에 일반표의 형식을 사용하였다. 그림 6의 한 달 동작 그래프는 일주일 그래프에서 계산된 종합데이터 부분의 결과를 토대로 표 형식 차트(Tabular form)을 사용하여 가시화 하였다.
- 본 논문에서는 기존의 동작 인식 연구들에서 추출되고 있는 동작 데이터를 모델링하고 분류하여 다양하게 가시화하는 방법을 제안하였다. 기존의 연구들에 의해 분석되는 동작을 물리적, 논리적 동작으로 나누어 정의하고 동작 데이터의 가시화를 위해 논리적 동작을 행동 데이터를 기반으로 분류하였고 그룹화 하였다. 본 연구에서 제안한 동작 데이터 가시화 기법을 실제 데이터에 적용시킴으로써 기존의 수동적인 설문조사 방식에 들어가는 막대한 비용을 줄일 수 있다.
- 스물여덟가지의 논리적 동작에 색을 지정하기에 앞서 일곱 가지로 분류된 동작 그룹에 먼저 색을 부여하였다. 논리적 동작 그룹의 색은 중요도가 높은 순으로 색의 삼원색인 빨간색, 노란색, 파란색을 각각 배정하였고 나머지 동작 그룹은 색이 지정된 세가지 동작 그룹들과의 연관성을 파악하여 삼원색을 혼합한 주황색, 초록색, 보라색으로 지정하였다. 그리하여 최종 적으로 직업 빨간색, 통신 주황색, 휴식 노란색, 봉사 초록색, 여가 활동 파란색, 일상생활 보라색으로 분류되었다.
- 스마트폰으로 모든 동작을 정확하게 인식할 수 없기 때문에 모델링을 먼저 제안하였고 본 논문의 논리적 동작에 대한 인식 방법은 현재 연구 중이다. 또한 모델링된 동작 데이터들을 활용하여 스마트폰 내에서 추출된 동작 데이터를 시간에 따라 다양한 방법으로 가시화 하였다.
- 그리하여 본 연구에서는 조깅, 계단 오르기, 계단 내려가기의 기본 동작을 걷기로 간주하였다. 물리적 동작으로 인간의 기본적인 동작을 정의하기에 앞서 본 연구에서 10명의 지원자를 대상으로 하루 동안의 일상을 5분 단위로 조사하였다. 조사 결과 모든 동작은 걷기(Walking), 앉기(Sitting), 서기(Standing), 눕기(Lying)을 기반으로 이루어진다는 사실을 발견하게 되었다.
- 본 논문에서 제안한 동작 데이터 분류 기법을 통해 분류된 동작 데이터로 MySQL 서버를 생성하여 동작 데이터베이스를 구축하였다. 그리하여 구축된 동작 DB를 자바와 연결시켜 JFreeChart[10]를 사용하여 가시화하였다.
- 사용한 조사데이터는 일상생활의 시간 분배를 조사하기 위한 데이터로 13200명을 인터뷰하여 총 65534건의 데이터를 제공한다. 본 논문에서는 원본 데이터에서 중복 동작을 제외한 삼백삼십 개의 동작 데이터를 모두 논리적 동작으로 정하였다. 중복 동작을 제외한 원본 데이터는 그림 1의 분류 방법을 사용하여 1차 분류를 하였다.
- 본 연구에서 제안하는 물리적 동작과 논리적 동작은 인식 센서의 종류에 따라 구분하였다. 물리적 동작은 가속도 센서로 인식 가능한 동작으로 사람의 행동에서 가장 기본적이고 기초가 되는 동작으로 정의하였다.
- 동작 데이터 모델링을 위해 먼저 동작 데이터를 일정 규칙에 따라 분류하였다. 본 연구에서는 동작을 크게 물리적, 논리적 동작[3]으로 정의한 뒤 미국 노동 통계국 생활시간 조사 홈페이지[4]에 있는 데이터를 기반으로 동작을 모델링하였다.
- 본 연구에서는 물리적 동작 데이터를 이용하여 5가지의 가시화 방법을 제안하였다. 하루의 물리적 동작을 파이차트(Pie Chart)와 스텝 차트(Step Chart), 넓이 차트(Area Chart)로 구현하였다.
- 사람이 쉽게 인식할 수 있는 스물여덟가지의 색을 선정하는 방법으로 시중에 판매되고 있는 미술 재료 중 서른 가지의 색을 포함하는 신한 전문가용 포스터 컬러 서른 가지 색 B세트[8]를 본 연구에 사용하였다. 서른 가지의 색 중 서로 비슷하여 한 눈에 인식하기 어려운 두 가지색을 선정하여 제거한 뒤 재배치하였다. 스물여덟가지의 색을 하나의 연속 스펙트럼처럼 나열한 뒤 해당 그룹 색에 맞게 동작을 배치하여 매칭시켰다.
- 그리하여 본 논문에서는 스마트폰의 센서만으로 동작을 인식하고 활용하기 위하여 스마트폰 센서 데이터들을 위한 동작 모델링을 제안하였다. 설문지로 조사된 실제 데이터를 기반으로 스마트폰 센서로 인식 가능한 동작을 모델링하고 그에 맞추어 그룹화 하였다. 본 논문의 동작 인식 모델링은 스마트폰을 이용한 분석이 아닌 이론적 분석이다.
- 본 논문의 동작 인식 모델링은 스마트폰을 이용한 분석이 아닌 이론적 분석이다. 스마트폰으로 모든 동작을 정확하게 인식할 수 없기 때문에 모델링을 먼저 제안하였고 본 논문의 논리적 동작에 대한 인식 방법은 현재 연구 중이다. 또한 모델링된 동작 데이터들을 활용하여 스마트폰 내에서 추출된 동작 데이터를 시간에 따라 다양한 방법으로 가시화 하였다.
- 스물여덟 개의 개별적인 논리적 동작은 지정된 그룹 별 색을 기반으로 각 그룹에 맞춰 색을 정하였다. 사람이 쉽게 인식할 수 있는 스물여덟가지의 색을 선정하는 방법으로 시중에 판매되고 있는 미술 재료 중 서른 가지의 색을 포함하는 신한 전문가용 포스터 컬러 서른 가지 색 B세트[8]를 본 연구에 사용하였다.
- 스물여덟가지의 논리적 동작에 색을 지정하기에 앞서 일곱 가지로 분류된 동작 그룹에 먼저 색을 부여하였다. 논리적 동작 그룹의 색은 중요도가 높은 순으로 색의 삼원색인 빨간색, 노란색, 파란색을 각각 배정하였고 나머지 동작 그룹은 색이 지정된 세가지 동작 그룹들과의 연관성을 파악하여 삼원색을 혼합한 주황색, 초록색, 보라색으로 지정하였다.
- 서른 가지의 색 중 서로 비슷하여 한 눈에 인식하기 어려운 두 가지색을 선정하여 제거한 뒤 재배치하였다. 스물여덟가지의 색을 하나의 연속 스펙트럼처럼 나열한 뒤 해당 그룹 색에 맞게 동작을 배치하여 매칭시켰다. 대표 동작으로 지정된 동작은 동작 나열 시 그룹 내에서 중앙에 배치하여 대표 동작만으로도 그룹의 색을 인식 할 수 있게 하였다.
- 표 1은 2차 변환되어 추출된 논리적 동작이다. 위의 스물여덟가지의 동작을 기본 논리적 동작으로 지정하였고 가시화를 위해 일곱 가지의 동작 그룹으로 재배치하였다. 동작 그룹은 상식선에서 비슷하거나 관련된 동작을 그룹화 하여 일, 일상생활, 여가활동, 봉사, 휴식, 통신, 에러 데이터로 정하였다.
- 그리하여 분산의 폭이 넓어 전체 데이터가 평균과 거리가 멀다는 결과를 도출하였고 신뢰도 95%로 계산한 평균 값 또한 전체 데이터를 대표할 수 없게 되었다. 이 결과에 따라 논리적 동작은 시간 간격을 기본적으로 1시간으로 지정하고 특별하게 시간이 짧은 동작들은 해당 동작의 수행 시간을 모두 예외적으로 구별하여 따로 표현하는 방법을 제시하였다.
- 또한 조사대상은 20대는 대학생과 직장인, 30대 이상은 직장인과 주부로 나누었다. 직장인의 경우 오랜 시간 앉아있는 사무직 회사원과 움직임이 많은 매장 직원을 조사하였다. 매장 직원은 백화점 직원, 할인 매장 직원, 화장품 가게 직원을 대상으로 조사하였다.
- 각 동작 별 차트를 선정하기 위하여 다양한 차트의 특징을 Microsoft office Excel[9]에서 제공하는 차트를 기본으로 파악하였다. 파악된 차트를 바탕으로 가시화 할 동작 데이터들의 특성을 계열 수, 항목수, 시간 간격, 색 혼합 가능 여부, 데이터 수치에 따라 분석하였다. 그리하여 각 동작 데이터에 맞는 차트를 표 4와 같이 제안하였다.
- 하루의 물리적 동작을 파이차트(Pie Chart)와 스텝 차트(Step Chart), 넓이 차트(Area Chart)로 구현하였다. 파이 차트(Pie Chart)는 그래프의 특성상 시간에 따른 동작 데이터를 보여줄 수 없기 때문에 24시간의 데이터를 종합하여 가시화하였다. 스텝 차트는 파이 차트에서 표현할 수 없었던 시간을 나타낼 수 있었고 x축은 1시간 간격으로 시간을 표현하였고 y축 또한 시간으로 표현하여 24시간을 10분 단위로 모두 파악 할 수 있게 하였다.
- 420분과 같이 동작 유지 시간이 긴 데이터를 위해 시간 간격을 한 시간으로 정한다면 30분미만의 데이터는 무시 되어 인식할 수 없게 된다. 표 2에서 계산된 비율을 보면 30분으로 시간 간격을 제시하여도 15분미만의 데이터인 약 22% 이상의 동작은 인식을 할 수가 없기 때문에 물리적 동작의 시간 간격을 10분으로 정하여 5분 이상의 동작부터 모두 인식할 수 있도록 제시 하였다.
- 표 4에서 보았듯 물리적 동작의 한 달 그래프는 차트를 사용할 수 없기 때문에 일반표의 형식을 사용하였다. 그림 6의 한 달 동작 그래프는 일주일 그래프에서 계산된 종합데이터 부분의 결과를 토대로 표 형식 차트(Tabular form)을 사용하여 가시화 하였다.
- 조사 내용은 움직임이 많은 직업과 적은 직업의 움직임 간격을 비교하기 위함으로 나이와 직업별로 10명을 추출하여 조사하였다. 표본 대상은 먼저 나이별로 20대, 30대, 40대, 50대로 나누어 조사하였다. 10대 이하와 60대 이상은 움직임이 너무 많거나 적다고 여겨 조사대상에서 제외하였다.
- 일주일 동작 그래프는 막대 차트(Bar Chart)를 사용하였다. 하루 동작 데이터를 각각 보여주었고 마지막 부분에 동작을 혼합한 종합 데이터를 계산하여 가시화하였다. 추가하는 부분의 색 표현은 하루 동안 가장 많이 사용한 동작 두 가지를 비율에 맞춰 정해진 동작의 색을 섞어 사용하였다.
- 본 연구에서는 물리적 동작 데이터를 이용하여 5가지의 가시화 방법을 제안하였다. 하루의 물리적 동작을 파이차트(Pie Chart)와 스텝 차트(Step Chart), 넓이 차트(Area Chart)로 구현하였다. 파이 차트(Pie Chart)는 그래프의 특성상 시간에 따른 동작 데이터를 보여줄 수 없기 때문에 24시간의 데이터를 종합하여 가시화하였다.
- 물리적 동작은 네 가지로 제한되어 있고 짧은 시간에 변하는 동작이기 때문에 논리적 동작보다 시간 간격을 짧게 정하는 것이 더 효율적이다. 하지만 물리적 동작은 시간 간격이 지나치게 짧을 경우 주 동작이 아닌 다른 동작까지 파악할 수 있기 때문에 실제 물리적 동작의 시간 간격을 파악하기 위하여 하루 일상을 직접 조사하였다. 조사 내용은 움직임이 많은 직업과 적은 직업의 움직임 간격을 비교하기 위함으로 나이와 직업별로 10명을 추출하여 조사하였다.
대상 데이터
- 하지만 논리적 동작의 시간 간격을 1시간 이상으로 지정할 경우 담배피기(Smoking), 문자보내기(Send message)와 같이 짧은 시간에 이뤄지는 동작들은 표현이 불가능하였다. 논리적 동작의 시간 간격을 위하여 미국 노동 통계국 생활시간 조사 데이터[3]로 분포 시간을 파악하였다. 또한 시간 간격의 평균과 표준편차를 구해 신뢰도 95% 값을 구하였다.
- 10대 이하와 60대 이상은 움직임이 너무 많거나 적다고 여겨 조사대상에서 제외하였다. 또한 조사대상은 20대는 대학생과 직장인, 30대 이상은 직장인과 주부로 나누었다. 직장인의 경우 오랜 시간 앉아있는 사무직 회사원과 움직임이 많은 매장 직원을 조사하였다.
- 직장인의 경우 오랜 시간 앉아있는 사무직 회사원과 움직임이 많은 매장 직원을 조사하였다. 매장 직원은 백화점 직원, 할인 매장 직원, 화장품 가게 직원을 대상으로 조사하였다.
- 본 논문에서는 논리적 동작을 분류하기 위해 미국 노동 통계국 생활시간 조사 홈페이지[4]에 있는 2010년 조사 데이터를 사용하였다. 사용한 조사데이터는 일상생활의 시간 분배를 조사하기 위한 데이터로 13200명을 인터뷰하여 총 65534건의 데이터를 제공한다.
- 스물여덟 개의 개별적인 논리적 동작은 지정된 그룹 별 색을 기반으로 각 그룹에 맞춰 색을 정하였다. 사람이 쉽게 인식할 수 있는 스물여덟가지의 색을 선정하는 방법으로 시중에 판매되고 있는 미술 재료 중 서른 가지의 색을 포함하는 신한 전문가용 포스터 컬러 서른 가지 색 B세트[8]를 본 연구에 사용하였다. 서른 가지의 색 중 서로 비슷하여 한 눈에 인식하기 어려운 두 가지색을 선정하여 제거한 뒤 재배치하였다.
- 본 논문에서는 논리적 동작을 분류하기 위해 미국 노동 통계국 생활시간 조사 홈페이지[4]에 있는 2010년 조사 데이터를 사용하였다. 사용한 조사데이터는 일상생활의 시간 분배를 조사하기 위한 데이터로 13200명을 인터뷰하여 총 65534건의 데이터를 제공한다. 본 논문에서는 원본 데이터에서 중복 동작을 제외한 삼백삼십 개의 동작 데이터를 모두 논리적 동작으로 정하였다.
- 하지만 물리적 동작은 시간 간격이 지나치게 짧을 경우 주 동작이 아닌 다른 동작까지 파악할 수 있기 때문에 실제 물리적 동작의 시간 간격을 파악하기 위하여 하루 일상을 직접 조사하였다. 조사 내용은 움직임이 많은 직업과 적은 직업의 움직임 간격을 비교하기 위함으로 나이와 직업별로 10명을 추출하여 조사하였다. 표본 대상은 먼저 나이별로 20대, 30대, 40대, 50대로 나누어 조사하였다.
이론/모형
- 본 논문에서 제안한 동작 데이터 분류 기법을 통해 분류된 동작 데이터로 MySQL 서버를 생성하여 동작 데이터베이스를 구축하였다. 그리하여 구축된 동작 DB를 자바와 연결시켜 JFreeChart[10]를 사용하여 가시화하였다. 그림 3은 동작 종류 별 가시화 메뉴 체계도이다.
- 본 연구에서는 가시화를 위해 비주얼 마이닝(Visual Mining) 기법을 이용하였다. 비주얼 마이닝은 문자가 아닌 그래프나 표와 같은 그래픽 형식으로 정보를 보여주는 방법이다.
성능/효과
- 75분으로 나와 일반적인 표준편차값에 비해 상대적으로 분산의 폭이 매우 넓게 나타났다. 그리하여 분산의 폭이 넓어 전체 데이터가 평균과 거리가 멀다는 결과를 도출하였고 신뢰도 95%로 계산한 평균 값 또한 전체 데이터를 대표할 수 없게 되었다. 이 결과에 따라 논리적 동작은 시간 간격을 기본적으로 1시간으로 지정하고 특별하게 시간이 짧은 동작들은 해당 동작의 수행 시간을 모두 예외적으로 구별하여 따로 표현하는 방법을 제시하였다.
- 논리적 동작 그룹의 색은 중요도가 높은 순으로 색의 삼원색인 빨간색, 노란색, 파란색을 각각 배정하였고 나머지 동작 그룹은 색이 지정된 세가지 동작 그룹들과의 연관성을 파악하여 삼원색을 혼합한 주황색, 초록색, 보라색으로 지정하였다. 그리하여 최종 적으로 직업 빨간색, 통신 주황색, 휴식 노란색, 봉사 초록색, 여가 활동 파란색, 일상생활 보라색으로 분류되었다. 이에 덧붙여서 에러 데이터를 포함하는 기타 그룹은 회색이나 검은색으로 표현하였다.
- 기존의 연구들에 의해 분석되는 동작을 물리적, 논리적 동작으로 나누어 정의하고 동작 데이터의 가시화를 위해 논리적 동작을 행동 데이터를 기반으로 분류하였고 그룹화 하였다. 본 연구에서 제안한 동작 데이터 가시화 기법을 실제 데이터에 적용시킴으로써 기존의 수동적인 설문조사 방식에 들어가는 막대한 비용을 줄일 수 있다. 또한 이를 통해 사람들의 움직임과 동작, 나아가 생활 패턴을 쉽게 조사할 수 있다.
- 물리적 동작으로 인간의 기본적인 동작을 정의하기에 앞서 본 연구에서 10명의 지원자를 대상으로 하루 동안의 일상을 5분 단위로 조사하였다. 조사 결과 모든 동작은 걷기(Walking), 앉기(Sitting), 서기(Standing), 눕기(Lying)을 기반으로 이루어진다는 사실을 발견하게 되었다. 그리하여 WISDM 프로젝트[5]에서 다루지 않은 눕기(Lying) 동작을 추가하여 걷기(Walking), 앉기(Sitting), 서기(Standing), 눕기(Lying) 의 네 가지 동작을 물리적 동작으로 정의하였다.
- 조사된 일상생활 데이터를 통해 주 동작으로 인식된 물리적 동작은 한 동작을 짧게 5분에서 길게는 420분 동안 유지한다는 사실을 알게 되었다. 420분과 같이 동작 유지 시간이 긴 데이터를 위해 시간 간격을 한 시간으로 정한다면 30분미만의 데이터는 무시 되어 인식할 수 없게 된다.
- 또한 시간 간격의 평균과 표준편차를 구해 신뢰도 95% 값을 구하였다. 하지만 논리적 동작의 시간 간격에 대한 표준편차가 최소 68.84분에서 최대 249.75분으로 나와 일반적인 표준편차값에 비해 상대적으로 분산의 폭이 매우 넓게 나타났다. 그리하여 분산의 폭이 넓어 전체 데이터가 평균과 거리가 멀다는 결과를 도출하였고 신뢰도 95%로 계산한 평균 값 또한 전체 데이터를 대표할 수 없게 되었다.
- 논리적 동작의 일주일 그래프는 물리적 동작과 같은 형식으로 구현하였다. 하지만 논리적 동작의 종합 데이터 부분을 예로 들어보면 직업 그룹 70 : 휴식 그룹 30이라면 빨간색과 노란색이 혼합하여 짙은 주황색이 출력되었다. 그러면 원래 주황색인 통신 그룹과 구별하기 어려워졌다.
후속연구
- 향후 연구로는 좀 더 다양한 포맷으로 동작 데이터를 가시화하고 종합 데이터의 부재로 구현할 수 없었던 논리적 동작의 한 달 데이터 그래프를 가시화시킬 다른 방법을 연구할 것이다. 그리고 한 사람이 아닌 여러 사람의 데이터를 종합하여 가시화하여 사용자들의 개인 정보를 토대로 동작을 패턴화하는 방법을 연구할 것이다. 또한 기존 연구의 물리적 동작을 완벽하게 분석하여 본 연구의 가시화 프로그램과 연동시키고 나아가 본 논문에서 제안한 논리적 동작을 인식하는 방법을 연구할 것이다.
- 그리고 한 사람이 아닌 여러 사람의 데이터를 종합하여 가시화하여 사용자들의 개인 정보를 토대로 동작을 패턴화하는 방법을 연구할 것이다. 또한 기존 연구의 물리적 동작을 완벽하게 분석하여 본 연구의 가시화 프로그램과 연동시키고 나아가 본 논문에서 제안한 논리적 동작을 인식하는 방법을 연구할 것이다.
- 향후 연구로는 좀 더 다양한 포맷으로 동작 데이터를 가시화하고 종합 데이터의 부재로 구현할 수 없었던 논리적 동작의 한 달 데이터 그래프를 가시화시킬 다른 방법을 연구할 것이다. 그리고 한 사람이 아닌 여러 사람의 데이터를 종합하여 가시화하여 사용자들의 개인 정보를 토대로 동작을 패턴화하는 방법을 연구할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.