[논문]치매 환자를 위한 딥러닝 기반 이상 행동 탐지 시스템

김국진; 이승진; 김성중; 김재근; 신동일; 신동규

doi:10.7472/jksii.2020.21.3.133

치매 환자를 위한 딥러닝 기반 이상 행동 탐지 시스템
Deep Learning-based Abnormal Behavior Detection System for Dementia Patients 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.3, 2020년, pp.133 - 144

김국진 (Dept. of Computer Science and Engineering, Sejong Univ.) , 이승진 (Dept. of Computer Science and Engineering, Sejong Univ.) , 김성중 (Dept. of Computer Science and Engineering, Sejong Univ.) , 김재근 (Dept. of Computer Science and Engineering, Sejong Univ.) , 신동일 (Dept. of Computer Science and Engineering, Sejong Univ.) , 신동규 (Dept. of Computer Science and Engineering, Sejong Univ.)

초록
AI-Helper

고령화로 인해 증가하는 노인 비율만큼이나 치매를 앓는 노인 수 또한 빠르게 늘고 있는데 이는 사회적, 경제적 부담을 발생시킨다. 특히, 간병인의 근무 시간 손실 및 간호 부담으로 인한 의료 비용 증가와 같은 간접비용을 포함하는 치매 관리 비용은 수년에 걸쳐 기하급수적으로 증가하고 있다. 이러한 비용을 줄이기 위해 치매 환자를 돌보기 위한 관리 시스템 도입이 시급하다. 따라서 본 연구는 항상 치매 환자를 돌볼 수 없는 환경이나 독거노인을 관리하기 위한 센서 기반 이상 행동 탐지 시스템을 제안한다. 기존 연구들은 단지 행동을 인지하거나 정상 행동 여부를 평가하는 정도였고 센서로부터 받은 데이터가 아닌 이미지를 처리하여 행동을 인지한 연구도 있었다. 본 연구에서는 실데이터 수집에 한계가 있음을 인지하여 비지도 학습 모델인 오토인코더와 지도 학습 모델인 장·단기 기억 모형을 동시에 사용했다. 비지도 학습 모델인 오토인코더는 정상 행동 데이터를 학습하여 정상적인 행동에 대한 패턴을 학습시켰고 장·단기 기억 모형은 센서로 인지 가능한 행동을 학습시켜 분류를 좀 더 세분화했다. 테스트 결과 각각의 모델은 약 96%, 98% 이상의 정확도를 도출하였고 오토인코더의 이상치가 3% 이상을 갖는 경우 장·단기 기억 모형을 통과하도록 설계했다. 이 시스템을 통해 혼자 사는 노인이나 치매 환자를 효율적으로 관리할 수 있으며 돌보기 위한 비용 또한 절감할 수 있을 것으로 전망된다.

Abstract ▼ AI-Helper

The number of elderly people with dementia is increasing as fast as the proportion of older people due to aging, which creates a social and economic burden. In particular, dementia care costs, including indirect costs such as increased care costs due to lost caregiver hours and caregivers, have grown exponentially over the years. In order to reduce these costs, it is urgent to introduce a management system to care for dementia patients. Therefore, this study proposes a sensor-based abnormal behavior detection system to manage dementia patients who live alone or in an environment where they cannot always take care of dementia patients. Existing studies were merely evaluating behavior or evaluating normal behavior, and there were studies that perceived behavior by processing images, not data from sensors. In this study, we recognized the limitation of real data collection and used both the auto-encoder, the unsupervised learning model, and the LSTM, the supervised learning model. Autoencoder, an unsupervised learning model, trained normal behavioral data to learn patterns for normal behavior, and LSTM further refined classification by learning behaviors that could be perceived by sensors. The test results show that each model has about 96% and 98% accuracy and is designed to pass the LSTM model when the autoencoder outlier has more than 3%. The system is expected to effectively manage the elderly and dementia patients who live alone and reduce the cost of caring.

주제어

표/그림 (21)

그림 (그림 1) 오토인코더 구조 (Figure 1) Autoencoder structure
그림 (그림 2) 적층 오토인코더 구조 (Figure 2) Stacked autoencoder structure
그림 (그림 3) 이상 행동 감지시스템 구조도 (Figure 3) Abnormal behavior detection system diagram
그림 (그림 4) 요양 시설 일정표 (Figure 4) Nursing home schedule
표 (표 1) 치매 환자의 이상 행동 종류 (Table 1) Aberrant Behavior Types in Dementia Patients
표 (표 2) 행동 정의 및 센서 매치 (Table 2) Behavior definition and sensor match
표 (표 3) 일정에 따른 가능 행동 번호 (Table 3) Possible action number according to schedule
표 (표 4) 정상 행동 센서 로그 예시 (Table 4) Normal behavior sensor log example
표 (표 5) 이상 행동 센서 로그 예시 (Table 5) Abnormal behavior sensor log example
표 (표 6) 정상 행동 데이터 전처리 예시 (Table 6) Example of preprocessing normal behavior data
표 (표 7) 이상 행동 데이터 전처리 예시 (Table 7) Example of preprocessing abnormal behavior data
그림 (그림 5) 단층 오토인코더 모델 구조 (Figure 5) Single layer autoencoder model structure
그림 (그림 6) 적층 오토인코더 및 잡음 제거 오토 인코더 모델 구조 (Figure 6) Stacked autoencoder and denoising autoencoder model structure
그림 (그림 7) 정상 행동 데이터 센서 사용 분포도 (Figure 7) Normal behavior data sensor usage distribution chart
그림 (그림 8) 이상 행동 데이터 센서 사용 분포도 (Figure 8) Abnormal behavior data sensor usage distribution chart
표 (표 8) 실험환경 하드웨어 및 소프트웨어 (Table 8) Experimental Hardware and Software
그림 (그림 9) 단층 오토인코더에서 정상 행동 데이터의 정확도 및 손실 그래프 (Figure 9) Accuracy and loss graph of normal behavior data in single layer autoencoder distribution chart
그림 (그림 10) 단층 오토인코더에서 이상 행동 데이터의 손실 그래프 (Figure 10) Loss graph of abnormal behavior data in a single layer autoencoder
표 (표 9) 정상 행동 데이터 입력 및 출력 결과 예시 (Table 9) Example of normal behavior data input and output results
표 (표 10) 이상 행동 데이터 입력 및 출력 결과 예시 (Table 10) Example of abnormal behavior data input and output results
표 (표 11) 딥러닝 모델 성능 비교 (Table 11) Comparison of Deep Learning Model Performance

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이를 통해 생성된 정상 행동 데이터로 오토인코더 모델을 학습하였으며 라벨링이 진행된 이상 행동 데이터로 장·단기기억 모형(Long Short-Term Memory models) [2]을 학습했다. 따라서 본 논문에서는 생성한 데이터를 통해 세 모델을 학습하고 이상 행동을 감지하는 시스템을 제안한다.
따라서 본 연구에서는 일상생활에서 얻을 수 있는 행동들을 일반적인 센서 데이터를 이용하여 수집하고 오토인코더와 장·단기 기억 모형을 이용하여 이상 행동을 감지하는 시스템을 제안한다.
두 모델을 사용하는 가장 큰 이유는 이상 행동이 라벨링 된 데이터를 얻기 어렵기 때문이다. 따라서 이상 행동 감지 시스템에는 두 종류의 모델을 사용함으로써 각 각의 단점을 보완하고자 한다.
노인 인구수가 증가할수록 그들을 관리하기 위한 경제적, 사회적 부담이 증가할 것이며 그에 따른 비용을 줄이기 위해서라도 앞에 언급한 사람들을 관리하기 위한 시스템은 필수적이다. 물리적인 관리의 어려움과 그들을 관리하는데 필요한 비용을 줄이기 위해 본 논문에서는 센서 데이터를 이용하여 노인과 치매환자의 이상 행동을 감지하여 더 효율적으로 관리하고자 한다.
본 연구의 목적은 가정 혹은 시설 등에 부착 가능한 센서를 통해 사람의 이상 행동을 감지하는 것이다. 하지만 이러한 센서 데이터를 얻는 것은 쉽지 않기 때문에 치매 환자들을 돌보는 요양 시설의 일정표를 참고하여 데이터를 생성했다.

가설 설정

- 00:30 ~ 4:30 시간대에 일정 시간 이상 센서가 동작하는 경우 및 다수의 센서가 동작하는 경우 불면이라 가정.
- 발생할 수 없는 시간대에 센서가 반복적으로 동작 및 하나 이상의 센서가 다수 동작하는 경우 반복 행동이라 가정.
위와 같이 분류한 이상 행동들 중 센서 데이터를 이용하여 판별할 수 있다고 가정한 이상 행동은 배회 행동/낙상, 불면, 반복 행동이다. 배회 행동이나 낙상의 경우 GPS(Global Positioning System)가 측정 가능한 밴드를 착용하여 데이터를 수집하는 경우 판별 가능하다고 보았고 불면의 경우는 센서가 동작하지 않을 새벽 시간에 다수의 센서 데이터가 발생할 시 판별 가능하다고 가정했다. 반복 행동의 경우는 과식, 약물 과다 복용 등을 포함하고 있는데 시간대에 맞지 않는 센서 발생이나 하나 이상의 센서가 다수 동작하는 경우 판별 가능하다고 판단했다.
본 연구에서는 가정 및 병실에 센서를 부착하여 사용한다고 가정했다. 따라서 우선적으로 연구에 포함한 이상 행동은 불면과 반복 행동이며 이상 행동 데이터 생성 시 두 가지 행동에 대해서만 고려했다.
요양 병원에 있는 노인이나 환자가 그림 4와 같은 일정표에 따라 행동한다고 가정하고 데이터를 생성했다. 이때, 가정한 센서 부착 위치는 문, 창문, 냉장고, 서랍, 보조 침대로 5가지이며 각 센서들은 표 2와 같이 다음 행동을 취할 때 사용된다고 가정했다.
위 사항들을 고려하여 데이터를 생성하였으며 최대한 실제 데이터와 유사하게 만들기 위해 표 3의 각 스케줄마다 1~10번의 행동이 이루어질 수 있다고 가정했다. 또한 각 행동들은 정의한 가능 행동 번호들 중 랜덤하게 선택했다.
위와 같이 분류한 이상 행동들 중 센서 데이터를 이용하여 판별할 수 있다고 가정한 이상 행동은 배회 행동/낙상, 불면, 반복 행동이다. 배회 행동이나 낙상의 경우 GPS(Global Positioning System)가 측정 가능한 밴드를 착용하여 데이터를 수집하는 경우 판별 가능하다고 보았고 불면의 경우는 센서가 동작하지 않을 새벽 시간에 다수의 센서 데이터가 발생할 시 판별 가능하다고 가정했다.
요양 병원에 있는 노인이나 환자가 그림 4와 같은 일정표에 따라 행동한다고 가정하고 데이터를 생성했다. 이때, 가정한 센서 부착 위치는 문, 창문, 냉장고, 서랍, 보조 침대로 5가지이며 각 센서들은 표 2와 같이 다음 행동을 취할 때 사용된다고 가정했다. 또한 참고한 일정에 따라 가능한 행동들을 표 3과 같이 정의했다.
이상 행동 데이터는 지도학습 모델을 학습할 때 사용하므로 데이터에 라벨을 부여하였으며 이상 행동 데이터를 만드는 데 다음과 같은 사항들을 가정했다.
일정 개수의 로그 데이터를 모으는 이유는 하나의 로그 데이터만으로는 이상 행동 데이터 여부를 알기 어렵다고 판단하였기 때문이다. 최소한의 데이터 묶음이 모델의 입력으로 들어가야 일련의 데이터에 대한 이상치가 보다 정확하게 출력될 것이라고 가정했다.

제안 방법

이를 위해 두 가지 단계를 수행하였는데 먼저 OCSVM을이용하여 정상 행동을 학습했다. 그 이후에 KNLR(Kernel Nonlinear Regression)을 이용하여 정상 활동 모델에서 비정상 활동 모델을 유도하는 작업을 진행했다. 이 방식은 탐지율과 오 탐지율 간의 절충점을 얻을 수 있는 장점이 있었으나 비정상적인 행동이 정상적인 행동으로 변할 때, 비정상적인 모델을 생성하는 문제가 있었다.
데이터를 모델 입력으로 사용하기 위해 범주형 데이터인 시와 분, 센서값은 원-핫(one-hot) 형태로 변형 하였으며 발생 횟수의 경우 정규화(normalization)의 과정을 거쳐 0에서 1사이의 값으로 변형했다. 따라서 모델에 입력되는 데이터의 크기는 36이다.
두 모델 모두 동일한 데이터를 입력으로 받으므로 입력 크기는 36으로 동일하며, 오토인코더 모델의 경우 인코더와 디코더에 사용된 활성 함수는 각각 렐루(ReLu)와 시그모이드(sigmoid)이며 손실 함수로 이항 교차 엔트로피(binary crossentropy), 옵타마이저(optimizer)로는 아다델타(adadelta)를 사용했다. 장·단기 기억 모형의 경우 손실함수는 범주형 교차 엔트로피(categorical crossentropy), 옵티마이저로는 아담(adam)이 사용됐다.
두 모델 중 오토인코더의 경우에는 단층 오토인코더,적층 오토인코더, 잡음 제거 오토인코더 총 세 가지 모델의 성능을 평가해보았다. 표 11은 세 모델 각 각의 은닉층 크기를 변경해보면서 성능을 테스트 한 뒤, 가장 성능이 좋았던 모델만 비교한 결과 및 장·단기 기억 모형의 성능 결과이다.
데이터를 구하더라도 정상적인 일상 행동 데이터 외에 이상 행동이라 정의할 만한 데이터를 얻는 것은 더더욱 어렵다. 따라서 본 연구에서는 요양 시설의 일정표를 참고하여 센서 데이터를 생성했다. 또한 센서 데이터로 판별할 수 있다고 생각되는 이상 행동에 대해 정의하고 이에 따른 이상 행동 데이터를 생성했다.
본 연구에서는 모델의 성능 평가를 위해 모든 데이터의 전처리를 마친 후 모델의 입력으로 사용하였으나 실제 환경에서는 하나의 로그가 전달된다. 따라서 실제 환경과 유사하게 만들어놓은 시스템 사용 시, 센서가 작동할 때마다 로그 데이터를 하나씩 받고 일정 개수의 로그 데이터가 쌓이면 모델의 입력으로 들어가도록 했다. 일정 개수의 로그 데이터를 모으는 이유는 하나의 로그 데이터만으로는 이상 행동 데이터 여부를 알기 어렵다고 판단하였기 때문이다.
오토인코더는 인코더와 디코더의 구조를 갖고 있는데 입력으로 들어간 데이터를 인코딩하는 과정에서 데이터의 특징이 추출된다. 또한 다시 디코딩함으로써 데이터를 복원하고 입력된 데이터와 출력된 데이터의 차이를 비교하여 모델을 학습한다. 본 연구에서는 오토인코더의 이러한 특징을 이용하여 정상 행동 데이터로 오토인코더 모델을 학습하고 실제 모델을 이용할 시에는 입력된 값과 출력된 값의 차이를 비교하여 이상치를 계산한다.
따라서 본 연구에서는 요양 시설의 일정표를 참고하여 센서 데이터를 생성했다. 또한 센서 데이터로 판별할 수 있다고 생각되는 이상 행동에 대해 정의하고 이에 따른 이상 행동 데이터를 생성했다.
본 연구에서는 오토인코더와 장·단기 기억 모형을 이용하여 치매 환자 관리 시스템을 표 8의 환경에서 구현하였으며 가상의 데이터를 통해 실험했다.
또한 다시 디코딩함으로써 데이터를 복원하고 입력된 데이터와 출력된 데이터의 차이를 비교하여 모델을 학습한다. 본 연구에서는 오토인코더의 이러한 특징을 이용하여 정상 행동 데이터로 오토인코더 모델을 학습하고 실제 모델을 이용할 시에는 입력된 값과 출력된 값의 차이를 비교하여 이상치를 계산한다. 계산된 이상치의 결과가 일정 기준치를 넘는 경우 장·단기 기억 모형에 다시 입력으로 들어가 0(정상), 1(불면), 2(반복 행동)에 대한 결과를 출력한다.
실험 결과를 확인해보면 세 종류의 오토인코더 중 단층 오토인코더의 성능이 가장 좋으며 적층 오토인코더의성능 또한 나쁘지 않다. 본 연구에서는 주로 성능이 가장 좋은 단층 오토인코더와 장·단기 기억 모형의 결합으로 테스트했다. 오토인코더의 경우에는 데이터가 쌓일수록 사용자의 데이터에 맞게 계속해서 학습될 수 있으므로 시간이 지날수록 더 좋은 성능을 가질 것으로 예상된다.
Zhong 등 (2004) [7]은 대규모 비디오 데이터를 이용하여 비정상 행동을 감지하기 위한 모델을 개발했다. 이 모델은 비지도 학습 중 하나인 K-means(K-means clustering)를 적용하여 개발하였으며 대규모 비디오 처리에 효율적이고 안정적으로 수행했다. Chen 등 (2007) [8]은 실시간으로 비정상 행동을 감지하는 시스템을 제안했다.
Hung 등(2010) [11]은 혼자 사는 노인들의 일상 행동에서 비정상 행동을 감지하기 위한 연구를 진행하였다. 이 연구에서는 RFID(Radio-Frequency Identification) 기반 센서 네트워크를 사용하여 노인들의 일상생활 행동 데이터를 수집하였으며 은닉 마코프 모델과 SVMs(Support vector machines)을 이용하여 노인의 행동을 평가하였다. Gaddam 등 (2010) [12]은 센서 네트워크를 기반으로 하는가정용 모니터링 시스템을 제안하였다.
또한 시간 데이터를 사용하는 데 있어 정확한 센서 발생 시간이나 보호자를 위한 알림 시스템을 위해서는 되도록 섬세한 시간 데이터가 필요하다고 판단하여 시와 분 데이터를 사용했다. 이때, 시는 24시로 구분하였으며 분은 0~9, 10~19, 20~29, 30~39, 40~49, 50~59분으로 나누어 총 6가지로 구분한다. 센서값은 3.
Yin 등 (2008) [10]은 신체에 무선 센서를 부착하여 비정상 활동을 감지하는 연구를 진행했다. 이를 위해 두 가지 단계를 수행하였는데 먼저 OCSVM을이용하여 정상 행동을 학습했다. 그 이후에 KNLR(Kernel Nonlinear Regression)을 이용하여 정상 활동 모델에서 비정상 활동 모델을 유도하는 작업을 진행했다.
이를 통해 생성된 정상 행동 데이터로 오토인코더 모델을 학습하였으며 라벨링이 진행된 이상 행동 데이터로 장·단기기억 모형(Long Short-Term Memory models) [2]을 학습했다.
Chen 등 (2007) [8]은 실시간으로 비정상 행동을 감지하는 시스템을 제안했다. 이미지 정보를 이용하여 신체를 감지하고 추적하여 행동을 인지한 후 베이지안 프레임워크를 multi-SVM(Multi-class Support vector Machine) 과 통합하여 인식률을 향상시키는 방법을 제안했다. Mehran 등 (2009) [9]은 사람들이 다니는 모습을 담은 비디오에서 이상 행동을 감지하는 방법을 소개하였다.
Das 등 (2016) [5] 은 센서에서 발생하는 데이터들을 통해 원-클래스 비교기반(One-Class Classification-Based) 행동 에러 탐지를 제안하였다. 정상 행동 데이터에서 추출된 특징들의 이상치를 검출한 뒤, OCSVM(One-class support vector machine)을 이용하여 원-클래스 분류를 제안하였다. 활동 오류 예측 시에는 평균 60%의 재현율을 얻었으나 모든 활동에 대한 접근 방식의 평균 오 탐지율은 45%였다.
스마트 홈 데이터를 이용하여 행동을 분석하는 연구는 워싱턴 주립 대학교에서 많이 진행됐다. 해당 연구를 진행한 연구팀은 스마트 홈 환경을 구성한 후 지원자들을 통해 데이터를 수집하고 행위 인지에 관한 연구를 진행했다.

대상 데이터

데이터를 모델 입력으로 사용하기 위해 범주형 데이터인 시와 분, 센서값은 원-핫(one-hot) 형태로 변형 하였으며 발생 횟수의 경우 정규화(normalization)의 과정을 거쳐 0에서 1사이의 값으로 변형했다. 따라서 모델에 입력되는 데이터의 크기는 36이다.
이 중 사용한 데이터는 시, 분, 센서 번호, 센서 발생 횟수에 해당하는 값으로 날짜 데이터는 무의미하다고 판단하여 제거했다. 또한 시간 데이터를 사용하는 데 있어 정확한 센서 발생 시간이나 보호자를 위한 알림 시스템을 위해서는 되도록 섬세한 시간 데이터가 필요하다고 판단하여 시와 분 데이터를 사용했다. 이때, 시는 24시로 구분하였으며 분은 0~9, 10~19, 20~29, 30~39, 40~49, 50~59분으로 나누어 총 6가지로 구분한다.
먼저 실험에 사용된 모든 오토인코더와 장·단기 기억모형은 학습하는데 한 달(약 30일)에 해당하는 데이터를 사용하였으며 테스트 데이터로는 일주일에 해당하는 데이터를 사용했다.
로그 형식은 [YYYY-MM-DD, hh:mm:ss, #, #, #] 으로 정상 행동 데이터 형식에 라벨 데이터만 추가된다. 모델 학습에 사용되는 데이터는 정상 행동 데이터와 마찬가지로 30일에 해당하는 데이터이며, 하루 당 약 600개 정도의 데이터가 생성된다. 표 5는 그중 일부 예시이다.
오토인코더 모델의 경우 단층 오토인코더와 적층 오토인코더(Stacked Autoencoder), 잡음 제거 오토인코더(Denoising Autoencoder)를 이용하여 테스트 하였는데 단층 오토인코더의 경우 은닉층의 크기는 16, 적층 오토인코더와 잡음 제거 오토인코더의 경우 동일한 형태로 실험하였는데 은닉층의 크기는 32, 16으로 지정했다. 그림5와 그림 6은 실험에 사용한 오토인코더 모델의 구조이다.
이상 행동 데이터는 보다 구체적인 이상 행동을 구분하기 위해 생성하였으며 3.1.1에서 정의하였듯이 치매 환자가 취할 수 있는 여러 이상 행동들 중 센서로 판별 가능할 만한 ‘반복 행동’과 ‘불면’에 대한 데이터를 생성했다.
치매 환자의 정상적인 일상 데이터를 얻기 위해 요양 시설 등의 일정표를 참고하여 가능한 센서 로그 데이터를 생성했다. 참고한 일정표는 그림 4와 같다.
생성되는 데이터 종류는 날짜, 시간, 센서 번호, 센서 발생 횟수로 각 로그는 [YYYY-MM-DD, hh:mm:ss, #, #] 와 같은 형태로 생성된다. 학습에 사용되는 센서 로그 데이터는 30일에 해당하는 데이터이며, 하루 당 약 600개 정도의 로그가 생성된다. 이에 대한 예시는 표 4와 같다.

이론/모형

본 연구는 치매 환자의 이상 행동을 판별하기 위해 비지도 학습 모델인 오토인코더와 장·단기 기억 모형을 사용했다.
본 연구에서 사용한 오토인코더는 대표적인 비지도 학습 알고리즘 중 하나이다 [13]. 오토인코더는 지도 학습과 다르게 목표 값을 출력하지 않고 라벨 정보가 없는 데이터의 특징을 분석하거나 추출한다.
Mehran 등 (2009) [9]은 사람들이 다니는 모습을 담은 비디오에서 이상 행동을 감지하는 방법을 소개하였다. 사람들의 정상 행동을 모델링하기 위해 사회행동력(Social Force) 모델을 사용하였으며 이상 행동과 정상 행동을 분류하기 위해 BoW(Bag of Words) 방식을 사용했다. 이 외에 다른 센서들을 이용하여 비정상 활동을 감지하는 연구들도 있다.
Singla 등 (2010) [3]은 2명의 스마트 홈 데이터를 이용하여 일상생활 속에서 이루어지는 행동들을 인지하고자 했다. 실험 과정에서 확률 모델을 이용하였는데 그 중 은닉 마코프 모델(Hidden Markov Model, HMM)을 사용하였고 행동을 인지하는데 약 60% 정도의 정확도를 보였다. HMM 알고리즘은 섞여있는 여러 활동들을 인지하는 데에는 성공하였으나 여러 거주자들의 행동을 파악하는 일에 대해서는 고려하지 않았다.
이상 행동을 감지하기 위한 첫 번째 모델로 오토인코더를 사용한다. 이때 오토인코더 모델에 들어갈 입력 형태를 만들기 위한 전처리 과정을 진행한다.
이상 행동을 보다 정확하게 판단하기 위해서 두 번째 모델로 장·단기 기억 모형을 사용한다.
첫 번째 모델은 비지도 학습 모델인 오토인코더를 사용하며 두 번째 모델로는 장·단기 기억 모형을 사용한다.

성능/효과

Dawadi 등 (2016) [4]은 개인의 일상 패턴을 표현하는 활동 곡선(activity curve)의 개념을 소개하고 행동 데이터를 통해 생성되는 활동 곡선을 비교함으로써 일상적인 행동의 변화를 탐지하는 방법을 제안했다. 다른 시간대의 활동 곡선을 비교하기 위해 PCAR(Permutation-based Change detection in Activity Routine) 알고리즘을 소개하였는데 많은 데이터들 속에서 행동 패턴을 표현하는 것이 가능하다는 것을 보여주었다. 하지만 RBANS(Repeatable Battery for the Assessment of Neuropsychological Status)와 같은 다른 지표들과의 상관성은 찾지 못했다.
실험 결과를 확인해보면 세 종류의 오토인코더 중 단층 오토인코더의 성능이 가장 좋으며 적층 오토인코더의성능 또한 나쁘지 않다. 본 연구에서는 주로 성능이 가장 좋은 단층 오토인코더와 장·단기 기억 모형의 결합으로 테스트했다.
그럼에도 본 연구에서 사용한 모델의 결과는 꽤 높은 수치의 결과를 보여준다. 이를 통해 오토인코더 모델이 정상 행동의 패턴을 찾아낼 수 있다는 것을 알 수 있으며 장·단기 기억모형을 통해 오토인코더의 결과를 더 정교하게 만들어 주는 것을 확인할 수 있다. 이는 실제로 센서를 부착하고 실제 환자들이나 사람들이 사용하였을 때 많은 데이터가 모이게 되면 더 좋은 성능을 보일 가능성을 보여준다.
정상 행동 데이터에서 추출된 특징들의 이상치를 검출한 뒤, OCSVM(One-class support vector machine)을 이용하여 원-클래스 분류를 제안하였다. 활동 오류 예측 시에는 평균 60%의 재현율을 얻었으나 모든 활동에 대한 접근 방식의 평균 오 탐지율은 45%였다.

후속연구

따라서 추후에는 본 연구에서 사용한 모델을 더 보완하고 추가적으로 사용할 수 있는 데이터를 잘 선정하여 보다 정교한 시스템을 만들 예정이다. 또한 이상 행동 감지 외에도 사람들에게 알림을 주고 모니터링 할 수 있는 시스템을 추가할 예정이다.
따라서 추후에는 본 연구에서 사용한 모델을 더 보완하고 추가적으로 사용할 수 있는 데이터를 잘 선정하여 보다 정교한 시스템을 만들 예정이다. 또한 이상 행동 감지 외에도 사람들에게 알림을 주고 모니터링 할 수 있는 시스템을 추가할 예정이다.

참고문헌 (16)

Bin-na Kim et al., "Global Trends of Dementia Policy 2018", central dementia center (NIDR-1801-0022), 2018. https://ansim.nid.or.kr/community/pds_view.aspx?bid185
S. Hochreiter & J. Schmidhuber, "Long short-term memory," Neural computation, 9(8):1735-1780, 1997. https://www.mitpressjournals.org/doi/pdf/10.1162/neco.1997.9.8.1735

상세보기
G. Singla, D. J. Cook, & M. Schmitter-Edgecombe, "Recognizing independent and joint activities among multiple residents in smart environments," Journal of ambient intelligence and humanized computing 1(1), pp 57-63, 2010. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2958106

상세보기
P. N. Dawadi, D. J. Cook, & M. Schmitter-Edgecombe, "Modeling patterns of activities using activity curves," Pervasive and mobile computing 28, pp 51-68, 2016. https://www.sciencedirect.com/science/article/pii/S157411921500173X

상세보기
B. Das, D. J. Cook, N. C. Krishnan & M. Schmitter-Edgecombe, "One-class classification-based real-time activity error detection in smart homes," IEEE journal of selected topics in signal processing 10(5), pp 914-923, 2016. https://ieeexplore.ieee.org/abstract/document/7421975

상세보기
C. Vondrick, H. Pirsiavash & A. Torralba, "Anticipating visual representations from unlabeled video," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp 98-106, 2016. https://arxiv.org/abs/1504.08023
H. Zhong, J. Shi & M. Visontai, "Detecting unusual activity in video," In Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2004, Vol 2, pp. 1-8, 2004. https://ieeexplore.ieee.org/abstract/document/1315249/
Y. Chen, G. Liang, K. K. Lee & Y. Xu, "Abnormal behavior detection by multi-SVM-based Bayesian network," In 2007 International Conference on Information Acquisition, IEEE, pp. 298-303, 2007. https://ieeexplore.ieee.org/abstract/document/4295746
R. Mehran, A. Oyama, & M. Shah, "Abnormal crowd behavior detection using social force model," In 2009 IEEE Conference on Computer Vision and Pattern Recognition, IEEE, pp. 935-942, 2009. https://ieeexplore.ieee.org/abstract/document/5206641/
J. Yin, Q. Yang, & J. J. Pan, "Sensor-based abnormal human-activity detection," IEEE Transactions on Knowledge and Data Engineering 20(8), pp. 1082-1090, 2008. https://ieeexplore.ieee.org/document/4358934

상세보기
Y. X. Hung, C. Y. Chiang, S. J. Hsu & C. T. Chan, "Abnormality detection for improving elder's daily life independent," In International conference on smart homes and health telematics, Springer, Berlin, Heidelberg, pp. 186-194, 2010. https://link.springer.com/chapter/10.1007/978-3-642-13778-5_23
A. Gaddam, S. C. Mukhopadhyay, & G. S. Gupta, "Elder care based on cognitive sensor network," IEEE Sensors Journal 11(3), pp. 574-581, 2010. https://ieeexplore.ieee.org/abstract/document/5483132/
P. Baldi, "Autoencoders, unsupervised learning, and deep architectures," In Proceedings of ICML workshop on unsupervised and transfer learning, pp. 37-49, 2012. https://dl.acm.org/citation.cfm?id3045796.3045801
P. Vincent, H. Larochelle, I. Lajoie, Y. Bengio, & P. A. Manzagol, "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion," Journal of machine learning research 11, pp. 3371-3408, 2010. http://www.jmlr.org/papers/volume11/vincent10a/vincent10a.pdf
D. P. Kingma, & M. Welling, "Auto-encoding variational bayes," arXiv preprint arXive:1312.6114, 2013. https://arxiv.org/abs/1312.6114
A. Ng, "Sparse autoencoder," CS294A Lecture notes 72, pp. 1-19, 2011. https://web.stanford.edu/class/cs294a/sparseAutoencoder.pdf

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증