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
- 본 논문에서는 스마트폰 내장 3축 가속도 센서를 이용하여 특정 사용자나 특정 폰 위치에 대한 의존성이 적은 스마트폰 사용자 행위 인식 방식을 제안한다. 본 연구의 인식 대상 행위들은 Table 1에 나타낸 바와 같이 실내 환경에서 흔히 이루어지는 기본적인 이동 행위들로서, {정지, 걷기, 뛰기, 계단 내려가기, 계단 올라가기, 제자리 점프} 등 총 6 가지이다.
- 본 논문에서는 특정 사용자나 특정 폰 위치에 대한 의존성이 적은 효과적인 행위 인식 방법을 제안하고, 이를 기초로 안드로이드 스마트폰 기반의 실시간 행위 인식 시스템을 구현하였다. 본 연구에서는 3명의 서로 다른 스마트폰 사용자들이 3가지 서로 다른 위치 {손, 바지앞주머니, 바지뒷주머니}에 스마트폰을 소지하고 수행한 6가지 행위 {정지, 걷기, 뛰기, 계단올라가기, 계단내려가기, 점프}들에 관한 대용량의 데이터를 수집하였다.
- 본 연구에서는 앞서 제시한 스마트폰 내장 가속도 센서를 이용한 행위 인식 방법의 효과와 성능을 분석하기 위해, 안드로이드 스마트폰 환경에서 동작하는 행위 인식 시스템을 구현하였다. 이 시스템은 크게 데이터 수집기와 학습기, 실시간 행위 인식기로 구성된다.
가설 설정
- 본 논문에서는 각 행위별로 약 100Hz의 속도로 {X, Y, Z} 3축 가속도 센서 데이터를 수집한다고 가정한다. 이 원시 가속도 데이터를 기초로 약 1초 단위로 66개의 특징들로 구성된 하나의 특징 벡터를 만들어낸다.
제안 방법
- 즉, 혼합 훈련 데이터 집합을 학습에 이용함으로써 행위 분류기의 사용자 의존성과 폰 위치 의존성을 크게 줄였다. 그리고 이렇게 학습된 행위 분류기를 실시간 행위 인식 시스템에 내장함으로써, 임의의 스마트폰 사용자가 일상생활 속에서 자유롭게 수행하는 행위들을 실시간으로 자동 인식할 수 있게 하였다.
- 데이터 수집 단계에서 각 행위를 위한 특징 벡터들 중 해당 행위와 직접 관련이 없는 (예컨대, 스마트폰을 주머니에 넣는 동작이나 스마트폰을 주머니에서 꺼내는 동작으로 인한) 불필요한 데이터를 제거하기 위한 작업이 필요하다고 판단되어, 데이터 수집 후 전처리(preprocessing) 작업을 시행하였다. 본 연구에서는 전처리 작업을 통해, 각 행위 수행 이전 및 이후의 약 5초가량의 데이터를 삭제하였다.
- 두 번째 실험에서는 스마트폰 위치에 따른 행위 인식 시스템의 성능 의존성을 분석하기 위해, 위치 의존 성능(position-dependent performance)와 위치 혼합 성능 (position-mixed performance)를 서로 비교해 보았다. 위치 의존 성능 측정을 위해서는 3 가지 서로 다른 스마트폰 위치별로 동일 위치에서 수집된 훈련 데이터와 테스트 데이터를 이용한 실험의 평균 인식률을 구하였다.
- 마지막 실험에서는 행위 인식에 사용되는 학습 알고리즘별 성능을 분석하기 위해, 본 연구에서 채택한 SVM 외에 나이브 베이즈(Naive Bayes), 결정 트리(C4.5), 인공 신경망 학습 알고리즘들의 인식 성능을 비교해 보았다. 실험결과 학습 알고리즘별 인식 성능은 Fig.
- 위치 의존 성능 측정을 위해서는 3 가지 서로 다른 스마트폰 위치별로 동일 위치에서 수집된 훈련 데이터와 테스트 데이터를 이용한 실험의 평균 인식률을 구하였다. 반면에, 위치 혼합 성능 측정을 위해서는 폰의 위치를 구분하지 않고 혼합된 훈련 데이터와 테스트 데이터로 실험하여 인식률을 구하였다. 실험 결과는 Fig.
- Weka에서는 사용자가 선택한 하나의 학습 알고리즘에 따라 훈련 데이터 파일로부터 하나의 분류기 객체를 생성한 다음, Java 소스 코드 형태로도 제공함으로써 다른 Java 응용 프로그램에서 쉽게 학습된 분류기를 이용할 수 있는 기능을 제공한다. 본 연구에서는 Weks의 이러한 기능을 이용하여 SVM 알고리즘 기반의 행위 분류기 코드를 생성한 다음, 이것을 실시간 행위 인식기와 연동할 수 있도록 구현하였다.
- 또한, SVM은 커널 트릭(kernel trick) 기법을 이용해 비선형 데이터들에 대한 복잡한 분류 경계면도 매우 효율적으로 찾아줄 수 있는 장점을 가지고 있다. 본 연구에서는 서로 다른 사용자와 서로 다른 폰 위치에서 수집한 행위 데이터들을 서로 혼합한 훈련 데이터 집합에 분류 성능이 뛰어난 SVM 학습 알고리즘을 적용함으로써, 다양한 사용자와 다양한 폰 위치에도 불구하고 높은 행위 인식률을 보이는 행위 분류기를 학습하였다. 즉, 혼합 훈련 데이터 집합을 학습에 이용함으로써 행위 분류기의 사용자 의존성과 폰 위치 의존성을 크게 줄였다.
- 본 연구에서는 스마트폰의 내장형 3축 가속도 센서를 이용하여 행위 데이터를 수집하였고 불필요한 데이터 부분을 삭제하는 전처리 과정을 거쳐 특징 벡터 파일을 만들었다. 이와 같은 훈련 데이터 파일은 특정 사용자가 아닌 다수의 임의 사용자에게 적용 가능하고, 스마트폰을 임의의 위치에 소지하여도 안정적인 인식률을 보장하는 행위 분류기를 학습하는데 이용하였다.
- 데이터 수집 단계에서 각 행위를 위한 특징 벡터들 중 해당 행위와 직접 관련이 없는 (예컨대, 스마트폰을 주머니에 넣는 동작이나 스마트폰을 주머니에서 꺼내는 동작으로 인한) 불필요한 데이터를 제거하기 위한 작업이 필요하다고 판단되어, 데이터 수집 후 전처리(preprocessing) 작업을 시행하였다. 본 연구에서는 전처리 작업을 통해, 각 행위 수행 이전 및 이후의 약 5초가량의 데이터를 삭제하였다.
- 첫 번째 실험에서는 행위 인식 시스템의 사용자 의존성을 분석해보기 위해, 사용자 의존 성능(user-dependent performance)과 사용자 혼합 성능(user-mixed performance)을 서로 비교해 보았다. 사용자 의존 성능 측정을 위해서는 3명의 실험자별로 동일 사용자의 데이터를 각각 훈련 데이터 집합과 테스트 데이터 집합으로 나누어 실험하고, 3명의 평균 인식률을 구하였다. 사용자 혼합 성능 측정을 위해서는 3명의 실험자 데이터를 사용자 구분 없이 혼합한 뒤, 이 혼합 데이터 집합을 훈련용과 테스트용으로 나누어 학습한 뒤 인식률을 측정하였다.
- 사용자 의존 성능 측정을 위해서는 3명의 실험자별로 동일 사용자의 데이터를 각각 훈련 데이터 집합과 테스트 데이터 집합으로 나누어 실험하고, 3명의 평균 인식률을 구하였다. 사용자 혼합 성능 측정을 위해서는 3명의 실험자 데이터를 사용자 구분 없이 혼합한 뒤, 이 혼합 데이터 집합을 훈련용과 테스트용으로 나누어 학습한 뒤 인식률을 측정하였다. 성능 검증 방식은 데이터를 모두 혼합한 후 k개로 분할하여 테스트에 사용하는 k-분할 검증(k-fold validation)을 사용하였고, 이 후의 모든 실험에 대한 검증 역시 같은 방식을 사용하였다.
- 두 번째 실험에서는 스마트폰 위치에 따른 행위 인식 시스템의 성능 의존성을 분석하기 위해, 위치 의존 성능(position-dependent performance)와 위치 혼합 성능 (position-mixed performance)를 서로 비교해 보았다. 위치 의존 성능 측정을 위해서는 3 가지 서로 다른 스마트폰 위치별로 동일 위치에서 수집된 훈련 데이터와 테스트 데이터를 이용한 실험의 평균 인식률을 구하였다. 반면에, 위치 혼합 성능 측정을 위해서는 폰의 위치를 구분하지 않고 혼합된 훈련 데이터와 테스트 데이터로 실험하여 인식률을 구하였다.
- 또, 폰 위치와 방향이 달라도 견고한 인식 성능을 얻기 위해, {바지 좌측 앞주머니, 바지 우측 앞주머니, 바지 좌측 뒷주머니, 바지 우측 뒷주머니, 재킷 좌측 주머니, 재킷 좌측주머니} 등 총 6 가지의 다른 폰 위치와 {폰의 위아래가 정방향 혹은 역방향으로 놓였는지, 액정화면이 위로 혹은 아래로 향하는지}에 따라 총 4 가지의 다른 폰 방향에서 다양한 훈련 데이터를 수집하였다. 이 연구에서는 3축 가속도의 평균(mean), 분산(variance), 에너지(energy), 주파수 영역 엔트로피(frequency-domain entropy)뿐만 아니라 3축 가속도들 사이의 상관계수(correlation)들도 포함하여 총 22개의 특징들을 원시 가속도 데이터로부터 추출하였다. 이 연구에서는 SVM 알고리즘을 적용하여 행위 분류기를 학습하였고, 7명의 실험 참가자에 대해 평균 93%의 인식률을 보였다.
- 인식 대상 행위들은 {걷기, 달리기, 계단 올라가기, 계단 내려가기, 앉기, 서기} 등 총 6개이며, 다른 연구들과는 달리 정지를 앉기와 서기로 구분하였다. 이 연구에서는 실험자의 스마트폰 위치를 특정 주머니로 통일하였다. 1초에 20개의 입력 데이터를 수집하여, 3축 가속도의 평균(average), 표준편차(standard deviation), 평균 절대 차(average absolute difference) 등 총 43개의 특징들을 추출하였다.
- 인식 대상 행위들은 {걷기, 달리기, 자전거타기, 앉기} 총 4개로 8명의 실험자가 참여하여 각 행위별로 16회씩 데이터를 수집하였다. 이 연구에서는 폰의 위치를 특별히 제한하지 않았고, 분류에 사용한 특징(feature)들은 나이키+아이팟 패킷 페이로드(Packet Payload)와 가속도 크기, 가속도 주파수 등 크게 3가지 종류이다. 훈련 데이터 집합과 테스트 데이터 집합이 동일한 경우는 인식률이 99.
- 본 연구에서는 3명의 서로 다른 스마트폰 사용자들이 3가지 서로 다른 위치 {손, 바지앞주머니, 바지뒷주머니}에 스마트폰을 소지하고 수행한 6가지 행위 {정지, 걷기, 뛰기, 계단올라가기, 계단내려가기, 점프}들에 관한 대용량의 데이터를 수집하였다. 이렇게 수집된 총 6642개의 데이터 집합을 이용하여, 본 논문에서 제안한 행위 인식 시스템의 사용자 의존성과 폰 위치 의존성 등 다양한 성능 분석 실험을 수행하고, 그 결과를 소개한다.
- 본 연구에서는 스마트폰의 내장형 3축 가속도 센서를 이용하여 행위 데이터를 수집하였고 불필요한 데이터 부분을 삭제하는 전처리 과정을 거쳐 특징 벡터 파일을 만들었다. 이와 같은 훈련 데이터 파일은 특정 사용자가 아닌 다수의 임의 사용자에게 적용 가능하고, 스마트폰을 임의의 위치에 소지하여도 안정적인 인식률을 보장하는 행위 분류기를 학습하는데 이용하였다.
- [10]의 연구에서는 특정 사용자보다 임의의 사용자에게 적용 가능한 모델을 얻기 위하여, 29명의 다양한 스마트폰 사용자들로 행위 인식 연구를 진행하였다. 인식 대상 행위들은 {걷기, 달리기, 계단 올라가기, 계단 내려가기, 앉기, 서기} 등 총 6개이며, 다른 연구들과는 달리 정지를 앉기와 서기로 구분하였다. 이 연구에서는 실험자의 스마트폰 위치를 특정 주머니로 통일하였다.
- 본 논문에서 제안한 행위 인식 시스템의 성능을 분석하기 위해 아래와 같은 실험들을 수행하였다. 첫 번째 실험에서는 행위 인식 시스템의 사용자 의존성을 분석해보기 위해, 사용자 의존 성능(user-dependent performance)과 사용자 혼합 성능(user-mixed performance)을 서로 비교해 보았다. 사용자 의존 성능 측정을 위해서는 3명의 실험자별로 동일 사용자의 데이터를 각각 훈련 데이터 집합과 테스트 데이터 집합으로 나누어 실험하고, 3명의 평균 인식률을 구하였다.
- 따라서 이 두 가지 범주의 특징들을 고루 포함하는 것이 자동 분류에 도움을 줄 것으로 판단한다. 하지만, 본 논문에서는 스마트폰이 놓인 위치와 방향에 관한 의존성을 줄이는 것이 중요한 연구 목적의 하나이므로, X, Y, Z 3축 방향의 가속도, 평균, 표준편차, 최대, 최소 등을 그대로 특징으로 쓰지 않고, 대신 가속도 크기 #를 중심으로 특징을 추출하였다. 먼저, 특징 벡터를 구성하는 65개의 특징들 중 64개의 특징은 가속도 크기 #에 대한 DFT(Discrete Fourier Transform) 계수들이다.
대상 데이터
- 이 연구에서는 {서기, 걷기, 달리기, 자전거타기, 계단 오르기, 계단 내려오기, 드라이브} 총 7 가지 종류의 행위들을 인식 대상으로 삼았다. 또, 폰 위치와 방향이 달라도 견고한 인식 성능을 얻기 위해, {바지 좌측 앞주머니, 바지 우측 앞주머니, 바지 좌측 뒷주머니, 바지 우측 뒷주머니, 재킷 좌측 주머니, 재킷 좌측주머니} 등 총 6 가지의 다른 폰 위치와 {폰의 위아래가 정방향 혹은 역방향으로 놓였는지, 액정화면이 위로 혹은 아래로 향하는지}에 따라 총 4 가지의 다른 폰 방향에서 다양한 훈련 데이터를 수집하였다. 이 연구에서는 3축 가속도의 평균(mean), 분산(variance), 에너지(energy), 주파수 영역 엔트로피(frequency-domain entropy)뿐만 아니라 3축 가속도들 사이의 상관계수(correlation)들도 포함하여 총 22개의 특징들을 원시 가속도 데이터로부터 추출하였다.
- 본 논문에서는 특정 사용자나 특정 폰 위치에 대한 의존성이 적은 효과적인 행위 인식 방법을 제안하고, 이를 기초로 안드로이드 스마트폰 기반의 실시간 행위 인식 시스템을 구현하였다. 본 연구에서는 3명의 서로 다른 스마트폰 사용자들이 3가지 서로 다른 위치 {손, 바지앞주머니, 바지뒷주머니}에 스마트폰을 소지하고 수행한 6가지 행위 {정지, 걷기, 뛰기, 계단올라가기, 계단내려가기, 점프}들에 관한 대용량의 데이터를 수집하였다. 이렇게 수집된 총 6642개의 데이터 집합을 이용하여, 본 논문에서 제안한 행위 인식 시스템의 사용자 의존성과 폰 위치 의존성 등 다양한 성능 분석 실험을 수행하고, 그 결과를 소개한다.
- 본 논문에서는 특정 사용자나 특정 폰 위치에 대한 의존성이 적은 효과적인 행위 인식 방법을 제안하고, 이를 기초로 안드로이드 스마트폰 기반의 실시간 행위 인식 시스템을 구현하였다. 본 연구에서는 3명의 서로 다른 스마트폰 사용자들이 3가지 서로 다른 위치 {손, 바지앞주머니, 바지뒷주머니}에 스마트폰을 소지하고 수행한 6가지 행위 {정지, 걷기, 뛰기, 계단올라가기, 계단내려가기, 점프}들에 관한 대용량의 데이터를 수집하였다. 이렇게 수집된 총 6642개의 데이터 집합을 이용하여, 본 논문에서 제안한 행위 인식 시스템의 사용자 의존성과 폰 위치 의존성 등 다양한 성능 분석 실험을 수행하고, 그 결과를 소개한다.
- 각 특징 벡터는 해당 행위별로, 또 행위 수행자인 사용자별로, 또 Table 3과 같이 {손, 바지 뒷주머니, 바지 앞주머니} 등 총 3가지의 스마트폰 위치별로 구분되어 저장된다. 본 연구에서는 3명의 서로 다른 스마트폰 사용자들이 3가지 서로 다른 위치에 스마트폰을 소지하고 수행한 6가지 행위 {정지,걷기,뛰기,계단 올라가기,계단내려가기,점프}들에 관한 총 6642개의 특징 벡터들로 이루어진 데이터 집합을 수집하였다.
- 본 논문에서는 스마트폰 내장 3축 가속도 센서를 이용하여 특정 사용자나 특정 폰 위치에 대한 의존성이 적은 스마트폰 사용자 행위 인식 방식을 제안한다. 본 연구의 인식 대상 행위들은 Table 1에 나타낸 바와 같이 실내 환경에서 흔히 이루어지는 기본적인 이동 행위들로서, {정지, 걷기, 뛰기, 계단 내려가기, 계단 올라가기, 제자리 점프} 등 총 6 가지이다.
- [9]의 연구에서는 스마트폰의 위치, 방향 등에 제한 없이 자연스러운 상태에서 신체 활동을 인식함으로써, 스마트폰 사용자의 하루 소비 열량을 추정하였다. 이 연구에서는 {서기, 걷기, 달리기, 자전거타기, 계단 오르기, 계단 내려오기, 드라이브} 총 7 가지 종류의 행위들을 인식 대상으로 삼았다. 또, 폰 위치와 방향이 달라도 견고한 인식 성능을 얻기 위해, {바지 좌측 앞주머니, 바지 우측 앞주머니, 바지 좌측 뒷주머니, 바지 우측 뒷주머니, 재킷 좌측 주머니, 재킷 좌측주머니} 등 총 6 가지의 다른 폰 위치와 {폰의 위아래가 정방향 혹은 역방향으로 놓였는지, 액정화면이 위로 혹은 아래로 향하는지}에 따라 총 4 가지의 다른 폰 방향에서 다양한 훈련 데이터를 수집하였다.
- [8]의 연구에서는 나이키+아이팟 스포츠 키트와 아이폰을 이용하여 행위 인식을 하였다. 인식 대상 행위들은 {걷기, 달리기, 자전거타기, 앉기} 총 4개로 8명의 실험자가 참여하여 각 행위별로 16회씩 데이터를 수집하였다. 이 연구에서는 폰의 위치를 특별히 제한하지 않았고, 분류에 사용한 특징(feature)들은 나이키+아이팟 패킷 페이로드(Packet Payload)와 가속도 크기, 가속도 주파수 등 크게 3가지 종류이다.
데이터처리
- 성능 검증 방식은 데이터를 모두 혼합한 후 k개로 분할하여 테스트에 사용하는 k-분할 검증(k-fold validation)을 사용하였고, 이 후의 모든 실험에 대한 검증 역시 같은 방식을 사용하였다.
- 이 연구에서는 실험자의 스마트폰 위치를 특정 주머니로 통일하였다. 1초에 20개의 입력 데이터를 수집하여, 3축 가속도의 평균(average), 표준편차(standard deviation), 평균 절대 차(average absolute difference) 등 총 43개의 특징들을 추출하였다. 행위 분류기 학습을 위해서는 결정트리(Decision Tree), 신경망(Neural Network) 등의 알고리즘을 적용하였다.
이론/모형
- 본 연구에서는 앞서 설명한대로 일반화 능력이 우수한 SVM 알고리즘을 학습에 적용하였다. SVM 학습 알고리즘을 제공하는 다양한 구현 코드들이 있으나, SVM 외에 비교 가능한 다양한 학습 알고리즘들을 함께 제공하는 Java 기반의 종합 기계 학습 도구(machine learning tool)인 Weka를 행위 인식 시스템의 학습기 구현에 사용하였다. Weka에서는 사용자가 선택한 하나의 학습 알고리즘에 따라 훈련 데이터 파일로부터 하나의 분류기 객체를 생성한 다음, Java 소스 코드 형태로도 제공함으로써 다른 Java 응용 프로그램에서 쉽게 학습된 분류기를 이용할 수 있는 기능을 제공한다.
- 수집된 행위별 가속도 데이터로부터 각 행위들을 자동 분류하기에 효과적인 특징들을 추출하여 특징 벡터(feature vector)를 생성한다. 다수의 특징 벡터들로 이루어진 입력 파일에 SVM 학습 알고리즘(learning algorithm)을 적용함으로써 행위 분류기(classifier)를 생성한다. 행위 인식 단계(recognition phase)에서는 사용자의 행위에 따라 실시간으로 입력되는 테스트 데이터(test data)에 행위 분류기를 적용함으로써 현재 수행중인 사용자의 행위를 자동 판별하게 된다.
- 본 연구에서는 DFT의 고속화 방식인 FFT(Fast Fourier Transform)의 여러 알고리즘들 중 DIT(Decimation–In–Time) Radix-2 FFT 방법을 적용하여 64개의 특징값을 계산한다.
- 행위 인식 시스템의 핵심부인 학습기(learner)는 훈련 데이터 집합으로부터 행위 분류기(activity classifier)를 생성하고, 실시간 테스트 데이터에 학습된 분류기를 적용하여 사용자의 행위를 자동 인식하는 역할을 수행한다. 본 연구에서는 앞서 설명한대로 일반화 능력이 우수한 SVM 알고리즘을 학습에 적용하였다. SVM 학습 알고리즘을 제공하는 다양한 구현 코드들이 있으나, SVM 외에 비교 가능한 다양한 학습 알고리즘들을 함께 제공하는 Java 기반의 종합 기계 학습 도구(machine learning tool)인 Weka를 행위 인식 시스템의 학습기 구현에 사용하였다.
- 학습 알고리즘으로는 SVM(Support Vector Machine) 알고리즘을 채택하였다. SVM 알고리즘은 분류 문제를 해결하기 위해 여백(margin)을 최대화할 수 있는 최적의 분류 경계면을 찾아주는 학습 알고리즘으로서, 인공 신경망과 같은 다른 학습 알고리즘들에 대해 일반화(generalization) 능력이 매우 뛰어난 알고리즘이다.
- 1초에 20개의 입력 데이터를 수집하여, 3축 가속도의 평균(average), 표준편차(standard deviation), 평균 절대 차(average absolute difference) 등 총 43개의 특징들을 추출하였다. 행위 분류기 학습을 위해서는 결정트리(Decision Tree), 신경망(Neural Network) 등의 알고리즘을 적용하였다. 결정트리의 평균 인식률은 85.
성능/효과
- 6과 같다. SVM 학습 알고리즘의 인식률은 77~87%로서 다른 학습 알고리즘들에 비해 가장 좋은 인식 성능을 보였다. 반면에, 나이브 베이즈 학습 알고리즘은 59~80%의 인식률로 가장 낮은 성능을 보 였고, 인공 신경망 학습 알고리즘은 76~86%의 인식률로 SVM과 비슷한 성능을 보였다.
- SVM 학습 알고리즘의 인식률은 77~87%로서 다른 학습 알고리즘들에 비해 가장 좋은 인식 성능을 보였다. 반면에, 나이브 베이즈 학습 알고리즘은 59~80%의 인식률로 가장 낮은 성능을 보 였고, 인공 신경망 학습 알고리즘은 76~86%의 인식률로 SVM과 비슷한 성능을 보였다. 일반화 능력이 더 우수한 SVM 알고리즘이 인공 신경망에 비해 더 높은 인식 성능을 보일 것으로 기대하였으나, 본 실험에서는 인공 신경망과의 인식 성능의 차이가 크게 나타나지는 않았다.
- 스마트폰 위치 의존 성능은 평균 82~91%(표준편차 1~6)의 인식률을 보였으며, 위치 혼합 성능도 이보다 4~8%는 낮지만 76~87%의 높은 인식률을 보였다. 본 논문에서 제안한 행위 인식을 위한 특징들과 학습방법이 스마트폰 위치에 따른 차이에도 불구하고 비교적 높은 인식 성능을 보장할 수 있음을 확인할 수 있었다.
- 4의 그래프와 같다. 사용자 의존 성능은 각 위치별로 평균 84~91%(표준편차 2~7)의 높은 인식률을 보였고, 사용자 혼합 성능도 이보다는 5~6%정도 낮지만 여전히 79 ~ 85%의 높은 인식률을 보였다. 이 실험을 통해 본 논문에서 제안한 행위 인식 방식이 행위 수행자인 스마트폰 사용자간의 차이에도 불구하고 높은 행위 인식 성능을 보인다는 것을 확인할 수 있었다.
- 5의 그래프와 같다. 스마트폰 위치 의존 성능은 평균 82~91%(표준편차 1~6)의 인식률을 보였으며, 위치 혼합 성능도 이보다 4~8%는 낮지만 76~87%의 높은 인식률을 보였다. 본 논문에서 제안한 행위 인식을 위한 특징들과 학습방법이 스마트폰 위치에 따른 차이에도 불구하고 비교적 높은 인식 성능을 보장할 수 있음을 확인할 수 있었다.
- 따라서 이 두 행위들을 포함한 실험들에서 평균 인식률을 감소시키는 요인이 되었다. 실험들에서 이 두 행위를 배제하면, 어떤 경우든 평균 인식률은 90~96%까지 개선될 수 있음을 확인할 수 있었다.
- 사용자 의존 성능은 각 위치별로 평균 84~91%(표준편차 2~7)의 높은 인식률을 보였고, 사용자 혼합 성능도 이보다는 5~6%정도 낮지만 여전히 79 ~ 85%의 높은 인식률을 보였다. 이 실험을 통해 본 논문에서 제안한 행위 인식 방식이 행위 수행자인 스마트폰 사용자간의 차이에도 불구하고 높은 행위 인식 성능을 보인다는 것을 확인할 수 있었다.
- 이 연구에서는 3축 가속도의 평균(mean), 분산(variance), 에너지(energy), 주파수 영역 엔트로피(frequency-domain entropy)뿐만 아니라 3축 가속도들 사이의 상관계수(correlation)들도 포함하여 총 22개의 특징들을 원시 가속도 데이터로부터 추출하였다. 이 연구에서는 SVM 알고리즘을 적용하여 행위 분류기를 학습하였고, 7명의 실험 참가자에 대해 평균 93%의 인식률을 보였다.
- 본 연구에서는 3명의 서로 다른 스마트폰 사용자들이 3가지 서로 다른 위치 {손, 바지앞주머니, 바지뒷주머니}에 스마트폰을 소지하고 수행한 6가지 행위 {정지,걷기,뛰기,계단올라가기,계단내려가기,점프}들에 관한 대용량의 데이터를 수집하였다. 이렇게 수집된 총 6642개의 데이터 집합을 이용하여, 본 논문에서 제안한 행위 인식 시스템의 사용자 의존성과 폰 위치 의존성 분석 실험을 수행하였다 그리고 평균 77% 이상의 높은 사용자 및 스마트폰 위치 혼합 성능을 통해, 본 연구에서 제안한 행위 인식 시스템의 사용자 및 폰 위치 독립성을 확인할 수 있었다. 특히, 계단 올라가기와 내려가기 행위를 제외할 경우는 약 90~96%의 높은 인식률을 보였다.
- 6에는 사용자와 스마트폰 위치 모두를 구분하지 않고 훈련 및 테스트 데이터에 혼합하여 사용한 실험도 포함되었다. 이와 같이 사용자와 폰 위치에 모두 독립적인 경우의 평균 인식률은 77%로서, 사용자와 폰 위치에 모두 의존적인 평균 인식률 87%보다는 10% 가량 낮다 하지만, 이것은 어떤 임의의 사용자가 스마트폰을 어느 위치에 소지하여도 수행 행위를 인식할 수 있는 기대 성능이라는 의미에서 매우 고무적인 실험 결과로 판단된다.
- 반면에, 나이브 베이즈 학습 알고리즘은 59~80%의 인식률로 가장 낮은 성능을 보 였고, 인공 신경망 학습 알고리즘은 76~86%의 인식률로 SVM과 비슷한 성능을 보였다. 일반화 능력이 더 우수한 SVM 알고리즘이 인공 신경망에 비해 더 높은 인식 성능을 보일 것으로 기대하였으나, 본 실험에서는 인공 신경망과의 인식 성능의 차이가 크게 나타나지는 않았다.
- 본 연구에서는 서로 다른 사용자와 서로 다른 폰 위치에서 수집한 행위 데이터들을 서로 혼합한 훈련 데이터 집합에 분류 성능이 뛰어난 SVM 학습 알고리즘을 적용함으로써, 다양한 사용자와 다양한 폰 위치에도 불구하고 높은 행위 인식률을 보이는 행위 분류기를 학습하였다. 즉, 혼합 훈련 데이터 집합을 학습에 이용함으로써 행위 분류기의 사용자 의존성과 폰 위치 의존성을 크게 줄였다. 그리고 이렇게 학습된 행위 분류기를 실시간 행위 인식 시스템에 내장함으로써, 임의의 스마트폰 사용자가 일상생활 속에서 자유롭게 수행하는 행위들을 실시간으로 자동 인식할 수 있게 하였다.
- 이 연구에서는 폰의 위치를 특별히 제한하지 않았고, 분류에 사용한 특징(feature)들은 나이키+아이팟 패킷 페이로드(Packet Payload)와 가속도 크기, 가속도 주파수 등 크게 3가지 종류이다. 훈련 데이터 집합과 테스트 데이터 집합이 동일한 경우는 인식률이 99.48%, 다를 경우 97.4% 의 성능을 보였다.
후속연구
- 의 변화만을 고려하고 있다. 계단 올라가기, 계단 내려가기와 같이 상하 방향성이 중요한 행위에 대한 분류 성능을 개선하기 위해, 향후 연구에서는 특별히 상하 방향성을 고려한 특징들을 추가해볼 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.