$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Gated Multi-Modal Neural Networks를 이용한 다중 웨어러블 센서 결합 방법 및 일상 행동 패턴 분석
Multi-Modal Wearable Sensor Integration for Daily Activity Pattern Analysis with Gated Multi-Modal Neural Networks

정보과학회. 컴퓨팅의 실제 논문지 = KIISE transactions on computing practices, v.23 no.2, 2017년, pp.104 - 109  

온경운 (서울대학교 컴퓨터공학과) ,  김은솔 (서울대학교 컴퓨터공학과) ,  장병탁 (서울대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

본고에서는 다중 웨어러블 센서 데이터로부터 사용자의 일상 생활 행동 패턴을 분석할 수 있는 새로운 기계학습 모델을 제안한다. 제안하는 모델은 다중 웨어러블 센서 데이터를 효과적으로 학습하기 위하여 사람이 다중 센서 정보를 처리하는 방법을 적용한 새로운 신경망 모델이다. 제안하는 Gated multi-modal neural netoworks는 계층적 신경망 구조를 가지고 있으며 Gate 모듈을 통해 각 센서 데이터를 선택적으로 결합하여 처리하는 특징을 가진다. 실험을 위해 다중 웨어러블 장치를 착용하고 일상 생활 중 한 가지인 레스토랑에서의 행동 센서 데이터를 수집하였다. 실험 결과로서, 제시하는 모델을 이용하여 실제 웨어러블 센서 데이터를 분석하였을 때 분류 정확도가 비교적 정확하고 빠르게 처리할 수 있음을 확인하였다. 또한 모델의 중간 계층에서의 노드의 활성화 패턴 분석을 통해 자동으로 일상생활 패턴을 추출할 수 있고 이를 이용하여 지식 스키마를 생성할 수 있음을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

We propose a new machine learning algorithm which analyzes daily activity patterns of users from multi-modal wearable sensor data. The proposed model learns and extracts activity patterns using input from wearable devices in real-time. Inspired by cue integration of human's property, we constructed ...

주제어

#자동 행동 스키마 생성  

참고문헌 (19)

  1. B.-T. Zhang, "Ontogenesis of agency in machines: A multidisciplinary review," AAAI 2014 Fall Symposium on The Nature of Humans and Machines: A Multidisciplinary Discourse, Arlington. 2014. 

  2. Bruno, Barbara, et al., "Analysis of human behavior recognition algorithms based on acceleration data," Robotics and Automation (ICRA), 2013 IEEE International Conference on. IEEE, 2013. 

  3. Jacob, Robert JK, and Keith S. Karn, "Eye tracking in human-computer interaction and usability research: Ready to deliver the promises," Mind 2.3 (2003): 4. 

  4. Trommershauser, Julia, Konrad Kording, and Michael S. Landy, eds. Sensory cue integration, Oxford University Press, 2011. 

  5. Ngiam, Jiquan, et al., "Multimodal deep learning," Proc. of the 28th international conference on machine learning (ICML-11), 2011. 

  6. Srivastava, Nitish, and Ruslan R. Salakhutdinov, "Multimodal learning with deep boltzmann machines," Advances in neural information processing systems, 2012. 

  7. K. Ramirez-Amaro, M. Beetz, and G. Cheng, "Transferring skills to humanoid robots by extracting semantic representations from observations of human activities," Artificial Intelligence, 2015. 

  8. J. Biagioni and J. Krumm, "Days of our lives: Assessing day similarity from location traces," User Modeling, Adaptation, and Personalization, pp. 89-101, Springer, 2013. 

  9. F.-T. Sun, Y.-T. Yeh, H.-T. Cheng, C. Kuo, and M.L. Griss, "Nonparametric discovery of human routines from sensor data," Proc. Pervasive Computing and Communications (PerCom-2014), pp. 11-19, 2014. 

  10. C.-Y. Lee, D. H. Kwak, B.-J. Lee, and B.-T Zhang, "Event cognition-based daily activity prediction using wearable sensors," Journal of KIISE, 43(7):781-785, 2016. 

    상세보기 crossref

  11. Abelson, R., and Schank, R. C, Scripts, plans, goals and understanding, An inquiry into human knowledge structures, Psychology Press, 1977. 

  12. Newell, A. Shaw, J. C. and Simon, H. A, "Empirical explorations of the logic theory machine: a case study in heuristic," western joint computer conference: Techniques for reliability, 218-230. ACM, 1957. 

  13. Newell, A., Simon, H., et al., "The logic theory machine-a complex information processing system," Information Theory, IRE Transactions on 2(3):61-79, 1956. 

    상세보기 crossref

  14. Hinton, Geoffrey, A practical guide to training restricted Boltzmann machines, Momentum 9.1 (2010):926. 

  15. Freund, Yoav, and David Haussler, Unsupervised learning of distributions of binary vectors using two layer networks, Computer Research Laboratory [University of California, Santa Cruz], 1994. 

  16. Subramanya, Amarnag, et al., Recognizing activities and spatial context using wearable sensors, arXiv preprint arXiv:1206.6869 (2012). 

  17. Dargie, Waltenegus, "Analysis of time and frequency domain features of accelerometer measurements," Computer Communications and Networks, 2009. ICCCN 2009. Proceedings of 18th Internatonal Conference on. IEEE, 2009. 

  18. Peper, Erik, et al., "Is there more to blood volume pulse than heart rate variability, respiratory sinus arrhythmia, and cardiorespiratory synchrony?," Biofeedback 35.2 (2007). 

  19. Fleureau, Julien, Philippe Guillotel, and Izabela Orlac, "Affective benchmarking of movies based on the physiological responses of a real audience," Affective Computing and Intelligent Interaction (ACII), 2013 Humaine Association Conference on. IEEE, 2013. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로