In recent years, research on user's activity recognition using a smart phone has attracted a lot of attentions. A smart phone has various sensors, such as camera, GPS, accelerometer, audio, etc. In addition, smart phones are carried by many people throughout the day. Therefore, we can collect log da...
In recent years, research on user's activity recognition using a smart phone has attracted a lot of attentions. A smart phone has various sensors, such as camera, GPS, accelerometer, audio, etc. In addition, smart phones are carried by many people throughout the day. Therefore, we can collect log data from smart phone sensors. The log data can be used to analyze user activities. This paper proposes an approach to inferring a user's physical activities based on the tri-axis accelerometer of smart phone. We propose recognition method for four activity which is physical activity; sitting, standing, walking, running. We have to convert accelerometer raw data so that we can extract features to categorize activities. This paper introduces a recognition method that is able to high detection accuracy for physical activity modes. Using the method, we developed an application system to recognize the user's physical activity mode in real-time. As a result, we obtained accuracy of over 80%.
In recent years, research on user's activity recognition using a smart phone has attracted a lot of attentions. A smart phone has various sensors, such as camera, GPS, accelerometer, audio, etc. In addition, smart phones are carried by many people throughout the day. Therefore, we can collect log data from smart phone sensors. The log data can be used to analyze user activities. This paper proposes an approach to inferring a user's physical activities based on the tri-axis accelerometer of smart phone. We propose recognition method for four activity which is physical activity; sitting, standing, walking, running. We have to convert accelerometer raw data so that we can extract features to categorize activities. This paper introduces a recognition method that is able to high detection accuracy for physical activity modes. Using the method, we developed an application system to recognize the user's physical activity mode in real-time. As a result, we obtained accuracy of over 80%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만 두 연구는 데이터 마이닝 소프트웨어인 WEKA[11]를 이용하여 동작인식에 적합한 모델 성능을 비교하는 연구로 스마트폰의 가속도 데이터만 추출할 뿐 실시간으로 동작을 인식하지 못하였다. 따라서 본 논문에서는 스마트폰의 3축 가속도센서를 이용하여 실시간으로 사용자의 동작 인식을 높일 수 있는 기법에 대해 소개한다.
본 논문에서는 스마트폰에 내장되어 있는 3축 가속도센서를 이용하여 실시간 물리적 동작 인식 기법을 제안하였다. 정확한 인식을 위해 가속도데이터를 하나의 대표성분으로 변환하는 작업을 해주었다.
본 논문에서는 스마트폰에 내장되어있는 3축 가속도센서를 이용하여 실시간 물리적 동작 인식 기법에 대해 연구하였다. 실시간으로 생성되는 가속도 데이터를 이용하여 동작 인식이 가능하도록 변환하는 방법과 동작을 분류할 수 있는 기준을 세웠다.
본 논문에서는 실험 데이터가 아닌 실시간으로 동작을 인식률을 파악하기 위해 Android 기반의 간단한 어플리케이션을 구현하여 실험하였다. 아래 Fig.
다음 Table 1은 인식하고자 하는 물리적 동작이다. 본 논문은 이러한 4가지의 물리적 동작을 인식하는 기법을 제안한다. 다음 Fig.
김윤정 등은 가속도센서를 직접 착용하여 사람의 보행 시 발생하는 가속도 데이터를 획득하여 실시간 걸음수를 검출하는 알고리즘을 개발하였다[4]. 이 논문에서는 느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기 등 다양한 걸음 속력에 대해 실험을 진행하였다. 하지만 걸음 동작에만 초점을 맞춘 연구이며, 실시간 검출을 위해 별도의 디바이스 개발이 필요하였다.
5는 동작 인식 기법 구조를 토대로 제작한 어플리케이션 실행화면이다. 이 어플리케이션은 실시간으로 동작을 인식하여 현재 동작의 상태를 보여주는 부분과, 실행되는 동안에 사용자가 현재까지 어떤 동작을 인식하였는지 동작의 횟수를 확인할 수 있도록 하였다.
제안 방법
본 실험의 정확도를 높이기 위해 실험자의 앞주머니에 어플리케이션이 설치된 삼성 GalaxyS3를 넣고 실험하였다. 5명의 실험자에게 각 동작마다 5분씩 총 25분 동안 실험을 하였다. 각 실험자의 신체조건은 160cm 2명, 165cm 1명, 171cm 1명과 180cm 1명으로 실험에 참여하였다.
Table 5는 동적 동작을 10분의 실험 데이터를 가지고 분류한 결과이다. 동적 동작으로 분류된 동작은 기존의 FFT를 이용하여 동작을 분류하였다. 보통 ‘걷기’와 같은 경우 10～13사이 진폭 값으로 나타났으며, ‘뛰기’와 같은 경우는 13이상의 진폭 값을 갖는다.
정확한 인식을 위해 가속도데이터를 하나의 대표성분으로 변환하는 작업을 해주었다. 변환한 대표성분으로 샘플링 작업을 해준 후 FFT수행을 거쳐 주파수 특성을 추출하였다. 하지만 이 방법만으로 물리적 동작을 정확히 분류하는데 어려움이 있기 때문에 속도(Speed)를 계산하여 정적과 동적동작으로 분류해주는 1차 분류 작업을 해주었다.
따라서 회전성분의 영향을 받지 않고 노이즈를 줄이는 방법이 필요하다[13]. 본 논문에서 이러한 회전성분의 영향을 피하기 위해 가속도 데이터를 하나의 값(CVA)으로 변환시킨다. 하나의 값(CVA)으로 구하는 방법은 다음 (1)과 같은 식을 사용한다.
스마트폰에 내장되어 있는 3축 가속도센서 데이터 로그를 추출하여, 데이터의 특징을 살펴보았다. Fig.
본 논문에서는 스마트폰에 내장되어있는 3축 가속도센서를 이용하여 실시간 물리적 동작 인식 기법에 대해 연구하였다. 실시간으로 생성되는 가속도 데이터를 이용하여 동작 인식이 가능하도록 변환하는 방법과 동작을 분류할 수 있는 기준을 세웠다. 본 논문의 구성은 다음과 같다.
앞서 정적 동작이 동적 동작으로 인식되는 오류를 줄이기 위하여 1차적으로 정적 동작과 동적 동작을 분류하였다. 그 후 4 가지 물리적 동작을 분류해 주는 2차 동작 분류 처리를 해주는 작업이 필요하다.
특히 ‘걷기’ 동작에서 ‘서기’ 동작으로 인식하는 경우가 나타났다. 이처럼 정적 동작이 동적 동작으로 인식되는 오류를 줄이기 위해 가속도의 움직인 속도(Speed)를 구하여 정적과 동적 동작의 임계값을 설정하여 이를 이용 하여 1차적으로 동작을 분류해준다. 다음 (2)식은 가속도의 움직인 속도를 구하는 식이다.
1차 분류 후, 정적과 동적 동작은 각기 다른 방식으로 2차 분류작업을 해주어야 했다. 정적으로 분류된 동작은 가속도 데이터의 실제 데이터 Y축을 이용하여 분류해주는 작업을 해주었고, 동적 동작은 주파수의 특성을 이용하여 분류해주었다. 이 과정을 거쳐 하나의 물리적 데이터를 얻을 수 있었다.
이 과정을 거쳐 하나의 물리적 데이터를 얻을 수 있었다. 제안한 방법을 토대로 실제 사용자의 동작을 인식할 수 있는지 확인하고자 간단한 Android어플리케이션을 개발하여 정확도를 측정하였다. 실험결과는 모든 동작에서 80%이상의 인식률을 보였다.
대상 데이터
5명의 실험자에게 각 동작마다 5분씩 총 25분 동안 실험을 하였다. 각 실험자의 신체조건은 160cm 2명, 165cm 1명, 171cm 1명과 180cm 1명으로 실험에 참여하였다.
그러면 30초 동안 대표성분으로 변환된 300개의 값들이 생성 되는데, 이를 FFT변환을 위해 2n개의 데이터 샘플링을 해주어야 한다. 따라서 본 연구에서는 데이터 샘플링 사이즈를 256개로 설정하였다. FFT를 이용한 결과, ‘앉기’의 진폭은 주로 9.
본 실험의 정확도를 높이기 위해 실험자의 앞주머니에 어플리케이션이 설치된 삼성 GalaxyS3를 넣고 실험하였다. 5명의 실험자에게 각 동작마다 5분씩 총 25분 동안 실험을 하였다.
이론/모형
본 논문에서 각 동작을 인식하기 위해 FFT(Fast Fourier Transform: 고속 푸리에 변환)를 이용하여 주파수 분석을 해야 한다. FFT를 이용하면 빈도 (Frequency)와 진폭(Amplitude) 등을 추출하여 각 동작의 특징을 찾을 수 있다.
성능/효과
‘앉기’동작의 경우는 정확히 50개의 결과가 모두‘앉기’동작으로 측정되어 100%의 인식률을 보였다.
또한 ‘걷기’동작의 경우 86%의 인식률을 보였으며, ‘뛰기’동작은 80%의 인식률을 보였다.
제안한 방법을 토대로 실제 사용자의 동작을 인식할 수 있는지 확인하고자 간단한 Android어플리케이션을 개발하여 정확도를 측정하였다. 실험결과는 모든 동작에서 80%이상의 인식률을 보였다. 하지만 동작 인식 측정시간이 다소 오래 걸린다는 점이 있다.
그리고 Lee 등은 3축 가속도센서를 이용하여 앉기, 서기, 눕기, 걷기, 뛰기를 Fuzzy 알고리즘을 사용하여 동작 인식하는 연구를 하였다[5]. 이 연구에서는 모든 동작에서 99.5%의 굉장히 높은 인식률을 보였다. 하지만 이 연구 또한 스마트폰이 아닌 직접 제작한 가속도 디바이스를 이용하여 실시간으로 데이터를 받을 뿐 실시간 동작 인식 연구는 아니었다.
후속연구
그리하여 최근에는 스마트폰 센서를 이용한 동작 인식 연구들이 많아지는 추세이지만 실시간으로 사용자의 동작을 인식하는 연구는 부족하다. 스마트폰을 이용하여 실시간으로 사용자의 동작을 인식하게 된다면 사용자의 하루 운동정보를 기록하는 등 다양한 어플리케이션 개발이 가능할 것이다.
이러한 점을 보완한다면 더 나은 결과를 보여줄 것이다. 향후 연구로 동작 인식 측정시간을 단축시키는 방안과 인식률을 높일 수 있는 방안에 대해 연구해야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
물리적 동작을 정의하시오
본 논문은 물리적 동작을 인간의 행동 중 가장 기본적이고 기초가 되는 동작으로 정의한다[12]. 물리적 동작은 정적과 동적 동작 두 가지로 나눌 수 있다.
본 논문의 3축 가속도센서를 이용한 실시간 물리적 동작 인식 기법의 한계는?
실험결과는 모든 동작에서 80%이상의 인식률을 보였다. 하지만 동작 인식 측정시간이 다소 오래 걸린다는 점이 있다. 이러한 점을 보완한다면 더 나은 결과를 보여줄 것이다.
다중센서를 이용한 동작인식의 장점은?
Stenneth 등은 모바일 디바이스에 내장된 GPS와 GIS를 이용하여 어떤 운송수단을 이용하는지 판별하는 연구를 하였다[8]. 이처럼 다중센서를 이용하여 동작 인식을 할 경우 단일 센서 보다는 높은 인식률을 보이는 장점이 있다. 하지만 카메라센서와 GPS를 이용할 경우 학습데이터를 모으는데 많은 시간이 든다는 단점이 있다.
참고문헌 (14)
H.K. Yang and H.S. Yong, "Physical Activity Recognition using Accelerometer of Smart phone," Proceeding of Korea Computer Congress 2012, Vol. 39, No. 2(D), pp. 7-9, 2012.
E.M. Tapia, S.S. Intille, and K. Larson, "Activity Recognition in the Home using Simple and Ubiquitous Sensors," Proceeding of PERVASIVE 2004, Vol. 3001, pp. 158-175, 2004.
L. Bao and S.S. intille, "Activity Recognition from User-annotated Acceleration Data," Proceeding of the Second International Conference on PERVASIVE 2004, Vol. 3001, pp. 1-17, 2004.
Y.K. Kim, S.M. Kim, H.S. L, and W.D. Cho, "Real-Time Step Count Detection Algorithm using a Tri-Axial Accelerometer," Journal of Korean Society for Internet Infomation, Vol. 12, No. 3, pp. 17-26, 2011.
M.H. Lee, J.K. Kim, I.H. Lee, S.H. Jee, and S.K. Yoo, "Physical Activity Recognition using a Single Tri-Axis Accelerometer," Proceeding of the World Congress on Engineering and Computer Science 2009 USA, Vol. I, pp. 20-23, 2009.
M, Blum, A. Pentland, and G. Troster, "In-Sense: Interest-based Life Logging," IEEE MultiMedia, Vol. 13, pp. 40-48, 2006.
S. Reddy, M. Mun, J. Burke, D. Estrin, and M. Hansen, "Using Mobile Phones to Determine Transportation Modes," ACM Transactions on Sensor Networks, Vol. 6, No. 2, Article 13, 2010.
L. Stenneth, O. Wolfson, P.S. Yu, and B. Xu, "Transportation Mode Detection using Mobile Phones and GIS Information," Proceeding of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, pp. 54-63, 2011.
J.R. Kwapisz, G.M. Weiss, and S.A. Moore, "Activity Recognition using Cell Phone Accelerometers," ACM SIGKDD Explorations Newsletter, Vol. 12, Issue 2, pp. 74-82, 2010.
S. Dernbach, B. Das, N.C. Krishnan, B.L. Thomas, and D.J. Cook, "Simple and Complex Activity Recognition through Smart Phones," Proceeding of the 8th International Conference on Intelligent Environments, pp. 214-221, 2012.
Data Mining Software Weka, http://www.cs.wikato.ac.nz/ml/weka/, 2012
J.I Choi and H.S. Yong, "Activity Data Modeling and Visualization Method for Human Life Activity Recognition," Journal of Korea Multimedia Society, Vol. 15, No 8. pp. 1059-1066, 2012.
Y.Y. Nam, Y.J. Choi, and W.D. Cho, "Human Activity Recognition using an Image Sensor and a 3-axis Accelerometer Sensor," Journal of Korean Society for Internet Infromation, Vol. 11, No. 1, pp. 129-141, 2010.
S. Wang, C. Chen, and J. Ma, "Accelerometer Based Transportaion Mode Recognition on Mobile Phones," Proceeding of the Asia-pacific Conference on Wearable Computing Systems, pp. 44-46, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.