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
- 랜덤 포레스트 기계학습 기법을 이용하여 각각의 행동 패턴 변동 폭이 큰 문제를 배깅(Bagging) 기법을 이용하여 결정 트리가 가지는 단점을 보완하여 성능을 향상하는 것을 목표로 하였다. 변동 폭이 큰 앉기, 걷기, 달리기의 패턴 분류를 위하여 임의성에 의하여 다른 특성을 갖는 다양한 트리로 구성하도록 하였다.
- 기본적인 동적 행동으로는 걷기와 달리기, 차량으로 이동하는 방법으로 구분되고, 정적 행동으로는 앉기 행동으로 구분할 수 있다. 본고에서의 인간의 행동에 대한 범위를 앉기, 걷기, 달리기의 세 가지로 정의하고, 이들 행동을 구분하여 자동으로 인식하기 위한 기술에 대하여 알아보도록 한다.
- 본고에서는 3축 가속도 센서를 활용하여 인간의 행동을 인식 하기 위한 시스템을 <그림 1> 에서와 같이 크게 두 단계로 구성하여 실험을 진행하였다. 첫 번째 단계로, 가속도 센서로부터 회전 성분을 제외한 데이터를 획득, 정형화하는 과정과 두 번째 단계로 기댓값 최대화, 랜덤 포레스트[7], 딥러닝 기반의 기계 학습 방법에 따른 인간 행동 성능의 비교 분석하는 것을 목표로 한다.
제안 방법
- 특히, 달리기의 경우 개인의 달리기 속도와 스마트폰의 위치 등으로 인하여 매우 큰 분산 값을 갖는 것을 알 수 있다. 각각의 개인별, 센서별 특성에 따라 많은 편차가 있는 인간의 행동에 대하여 인식하기 위하여 기댓값 최대화 알고리즘을 통하여 분류하도록 한다. 기댓값 최대화 알고리즘을 수행하기 위해서는 먼저 전체 행동 가속도 데이터 군집의 개수와 종료 조건을 지정하도록 한다.
- 따라서 가속도 데이터의 각 축의 좌표 값은 사용자의 행동에 따라 바뀌게 되며, 이러한 변화 정보를 이용하여 사용자의 움직임을 인식할 수 있다. 그러나 이때 데이터의 회전 성분은 정확한 행동 인식에 방해가 될 수 있기 때문에, 이러한 회전 성분의 영향을 최소화함과 동시에 움직임을 정확하게 인식하기 위하여 X, Y, Z 축 방향으로의 움직임 값을 다음 식을 이용하여 구하도록 하였다.
- 기댓값 최대화 알고리즘을 이용하여 행동 패턴을 분류하기로 하고 앉기, 걷기, 달리기의 V 값이 평균 µi(i=1,2,3) 과 분산 σi2( i=1,2,3) 을 갖는 정규분포를 따른다고 가정했을 때, 입력되는 V 값이 앉기, 걷기, 달리기의 각 분포에 속할 가능성을 확률로 표현하여 행동 패턴을 구분하였다.
- 따라서, 본고에서는 다 양한 기계학습 방법을 이용하여 사용자의 움직임이 급격하게 변화하거나, 앉기와 같이 센서의 데이터의 변화량이 거의 없는 경우에도 행동을 강인하게 인식할 수 있는 방법에 대하여 비교, 분석하도록 한다.
- 랜덤 포레스트 기계학습 기법을 이용하여 각각의 행동 패턴 변동 폭이 큰 문제를 배깅(Bagging) 기법을 이용하여 결정 트리가 가지는 단점을 보완하여 성능을 향상하는 것을 목표로 하였다. 변동 폭이 큰 앉기, 걷기, 달리기의 패턴 분류를 위하여 임의성에 의하여 다른 특성을 갖는 다양한 트리로 구성하도록 하였다. 각각의 트리의 예측이 각 트리간 상관관계를 최소화하여 일반적으로 성능을 향상할 수 있는 것을 기본 원칙으로 한다.
- 본 절에서는 3축 가속도 센서로 들어온 데이터로부터 잡음에 강인한 데이터를 추출하는 방법에 대해 설명하고, 추출된 데이터에 기댓값 최대화 기법(Expectation Maximization, EM), 랜덤 포레스트(Random Forest), 그리고 1차원 Convolutional Neural Network (CNN) 기반의 딥러닝을 적용하여 기계학습별 행동 인식 성능이 어떻게 다르게 나오는지를 비교한다.
- 스마트폰에 내장된 3축 가속도 센서를 이용하여 인간의 물리적 행동을 인식하기 위하여 안드로이드 운영체제를 갖는 스마트폰을 이용하였으며, 스마트폰의 위치를 사용자의 가방, 손, 주머니 등으로 다양화하여 스마트폰에서 발생할 수 있는 상황을 재연하여 실험하였다. 본고에서 인간의 앉기, 걷기, 달리기의 행동을 인식하기 위하여 1초 단위로 스마트폰으로부터 수집한 3축 가속도 센서의 값을 검출하였으며, 10초 단위로 검출한 V값을 특징벡터로 인간의 행동 인식 실험을 진행하였다. 실험에 사용된 훈련데이터의 양은 총 497,512개의 특징 벡터를 사용하였으며, 248,765개의 특징 벡터를 테스트 벡터로 사용하여 실험하였다.
- 본고에서는 3축 가속도 센서로부터 입력된 데이터를 기반으로 인간의 가장 기본적인 물리적 행동인 앉기, 걷기, 달리기 행동에 대하여 기댓값 최대화, 랜덤 포레스트, 및 CNN 기반의 딥러닝 기법을 이용한 기계학습에 따른 인식 성능을 비교 분석하였다. 특히, 딥러닝을 이용한 인간 행동 인식 시스템이 전통적인 기계학습 방법에 비하여 매우 우수하다는 것을 실험을 통하여 증명하였다.
- 본고에서는 3축 가속도 센서를 활용하여 인간의 행동을 인식 하기 위한 시스템을 에서와 같이 크게 두 단계로 구성 하여 실험을 진행하였다.
- 스마트폰에 내장된 3축 가속도 센서를 이용하여 인간의 물리적 행동을 인식하기 위하여 안드로이드 운영체제를 갖는 스마트폰을 이용하였으며, 스마트폰의 위치를 사용자의 가방, 손, 주머니 등으로 다양화하여 스마트폰에서 발생할 수 있는 상황을 재연하여 실험하였다. 본고에서 인간의 앉기, 걷기, 달리기의 행동을 인식하기 위하여 1초 단위로 스마트폰으로부터 수집한 3축 가속도 센서의 값을 검출하였으며, 10초 단위로 검출한 V값을 특징벡터로 인간의 행동 인식 실험을 진행하였다.
- <표 2>에서 각각의 기댓값 최대화, 랜덤 포레스트, CNN 기반 의 딥러닝을 이용한 인간 행동 인식 성능에 대하여 confusion 행렬로 인식된 행동에 대하여 분석하였다. 세 가지 패턴 인식 알고리즘 중에서 CNN을 이용한 딥러닝 알고리즘의 성능이 기댓값 최대화 및 랜덤 포레스트 알고리즘에 비하여 성능이 우수하다는 것을 알 수 있다.
- 각각의 이진 트리의 구조는 랜덤하게 성장하는 방식을 따른다. <그림 4> 에서 보이는 바와 같이 n 개의 이진 트리 구조에서의 확률 값을 종합적으로 분석하여 행동을 인식하기 위한 분류기를 형성하도록 하였다. 랜덤 포레스트를 이용한 인간 행동 분석 알고리즘은 비교적 빠른 시간에 강인한 성능을 보이는 장점이 있다.
- 비록 개인별 움직임의 차이나 스마트폰의 위치에 따른 차이로 인해 표준편차가 달라지기는 하지만 걷기, 뛰기, 앉기의 각각의 행동 패턴에 따른 차이가 존재하는 것을 <그림 2>를 통해 알 수 있다. 이후에서는 V 값을 바탕으로 기댓값 최대화 알고리즘, 랜덤 포레스트, 및 딥러닝을 이용한 기계학습 패턴인식 기술에 대하여 설명하도록 한다.
- 최근 패턴인식 분야에서는 딥러닝 기법을 이용하여 좋은 인식 성능을 보이고 있다. 특히, 본고에서는 CNN을 기반으로 행동을 인식할 수 있도록 시스템을 구성하였다. <그림 5>에서 보이는 바와 같이, 입력된 가속도 센서 값을 기반으로 패턴에 대한 학습을 위하여 CNN 기반 딥러닝 기술을 이용하였다.
- Pooling을 통하여 부분 최댓값을 추출한 후에, weight값들의 여러 층들의 조합을 통하여 학습한 결과를 최종적으로 softmax 알고리즘을 이용하여 앉기, 걷기, 달리기 패턴으로 구분하는 과정을 거치는 과정으로 구성된다. 훈련 데이터를 이용하여 가중치 값을 자동으로 업데이트함으로써 인간의 행동을 인식하였다.
대상 데이터
- 본고에서 인간의 앉기, 걷기, 달리기의 행동을 인식하기 위하여 1초 단위로 스마트폰으로부터 수집한 3축 가속도 센서의 값을 검출하였으며, 10초 단위로 검출한 V값을 특징벡터로 인간의 행동 인식 실험을 진행하였다. 실험에 사용된 훈련데이터의 양은 총 497,512개의 특징 벡터를 사용하였으며, 248,765개의 특징 벡터를 테스트 벡터로 사용하여 실험하였다.
이론/모형
- 특히, 본고에서는 CNN을 기반으로 행동을 인식할 수 있도록 시스템을 구성하였다. <그림 5>에서 보이는 바와 같이, 입력된 가속도 센서 값을 기반으로 패턴에 대한 학습을 위하여 CNN 기반 딥러닝 기술을 이용하였다. 구체적으로 CNN을 이용한 deep neural network방법은 크게 convolution layer, pooling layer, fully connected layer, 그리고 softmax layer로 구성된다.
성능/효과
- 또한, 앉기와 달리기 행동에 대한 특징 벡 터의 값이 매우 큰 차이가 있기 때문에 에서 보이는 바와 같이 잘못 인식하는 케이스가 적다는 것을 확인할 수 있었다.
- <표 2>에서 각각의 기댓값 최대화, 랜덤 포레스트, CNN 기반 의 딥러닝을 이용한 인간 행동 인식 성능에 대하여 confusion 행렬로 인식된 행동에 대하여 분석하였다. 세 가지 패턴 인식 알고리즘 중에서 CNN을 이용한 딥러닝 알고리즘의 성능이 기댓값 최대화 및 랜덤 포레스트 알고리즘에 비하여 성능이 우수하다는 것을 알 수 있다. 전반적으로 앉기 행동이 다른 행동에 비하여 특징 벡터의 특성이 매우 다르기 때문에 인식 성능이 높다는 것을 알 수 있다.
- 앉기, 걷기, 달리기 각각에 해당하는 행동 패턴에 대한 확률 밀도 함수는 <그림 3>과 같다. <그림 3>에서 보이는 바와 같이 앉기 행동에 대한 확률 밀도 함수의 분산 값은 매우 작아서 걷기 및 달리기와 구분이 잘 되는 반면, 걷기와 달리기는 확률 밀도 함수가 많이 겹치는 것을 확인할 수 있다. 특히, 달리기의 경우 개인의 달리기 속도와 스마트폰의 위치 등으로 인하여 매우 큰 분산 값을 갖는 것을 알 수 있다.
- 본고에서는 3축 가속도 센서로부터 입력된 데이터를 기반으로 인간의 가장 기본적인 물리적 행동인 앉기, 걷기, 달리기 행동에 대하여 기댓값 최대화, 랜덤 포레스트, 및 CNN 기반의 딥러닝 기법을 이용한 기계학습에 따른 인식 성능을 비교 분석하였다. 특히, 딥러닝을 이용한 인간 행동 인식 시스템이 전통적인 기계학습 방법에 비하여 매우 우수하다는 것을 실험을 통하여 증명하였다. 실험을 통하여 분석한 바와 같이 가속도 센서로부터 회전 특성을 제외한 크기 값을 시간에 따라 분석함에 따라앉기, 걷기, 달리기 특징에 대하여 사람의 특성, 휴대폰의 위치에 따라 혼동되는 경우가 많기 때문에 이에 대한 고려가 필요하다는 것을 알 수 있다.
후속연구
- 이를 위하여, 시간 도메인이 아닌 주파수 도메인에서 각 행동에 대한 가중치를 부여하여 다른 행동 패턴 간 차이를 최대화할 수 있는 기술을 포함하면 행동 인식 성능이 향상될 수 있을 것으로 기대된다. 본 연구에서 분석된 기술을 바탕으로 다른 센서와의 조합을 통하여 차원을 줄임과 동시에 인식 성능을 향상할 수 있는 방법에 대하여 연구하도록 할 계획 이다.
- 본고를 통하여 제안된 3축 가속도 센서를 이용한 행동 인식 기술은 의료, 운동, 스마트 의료 시스템에 적용할 수 있는 기반 기술로 활용이 가능하다. 특히, 본 연구를 통하여 개발된 인간의 기본적인 행동에 대한 이해를 바탕으로 복잡한 인간의 의도 및 감정을 이해할 수 있는 연구로 확장될 수 있다.
- 실험을 통하여 분석한 바와 같이 가속도 센서로부터 회전 특성을 제외한 크기 값을 시간에 따라 분석함에 따라앉기, 걷기, 달리기 특징에 대하여 사람의 특성, 휴대폰의 위치에 따라 혼동되는 경우가 많기 때문에 이에 대한 고려가 필요하다는 것을 알 수 있다. 이를 위하여, 시간 도메인이 아닌 주파수 도메인에서 각 행동에 대한 가중치를 부여하여 다른 행동 패턴 간 차이를 최대화할 수 있는 기술을 포함하면 행동 인식 성능이 향상될 수 있을 것으로 기대된다. 본 연구에서 분석된 기술을 바탕으로 다른 센서와의 조합을 통하여 차원을 줄임과 동시에 인식 성능을 향상할 수 있는 방법에 대하여 연구하도록 할 계획 이다.
- 특히, 본 연구를 통하여 개발된 인간의 기본적인 행동에 대한 이해를 바탕으로 복잡한 인간의 의도 및 감정을 이해할 수 있는 연구로 확장될 수 있다. 인간에 대한 의도에 대한 이해는 사용자 중심의 사물 인터넷 환경에서 상호 작용에 활용될 수 있을 것으로 기대된다.
- 본고를 통하여 제안된 3축 가속도 센서를 이용한 행동 인식 기술은 의료, 운동, 스마트 의료 시스템에 적용할 수 있는 기반 기술로 활용이 가능하다. 특히, 본 연구를 통하여 개발된 인간의 기본적인 행동에 대한 이해를 바탕으로 복잡한 인간의 의도 및 감정을 이해할 수 있는 연구로 확장될 수 있다. 인간에 대한 의도에 대한 이해는 사용자 중심의 사물 인터넷 환경에서 상호 작용에 활용될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.