[논문]영상, 음성, 활동, 먼지 센서를 융합한 딥러닝 기반 사용자 이상 징후 탐지 알고리즘

정주호; 이도현; 김성수; 안준호

doi:10.7472/jksii.2020.21.5.109

영상, 음성, 활동, 먼지 센서를 융합한 딥러닝 기반 사용자 이상 징후 탐지 알고리즘
Deep Learning-Based User Emergency Event Detection Algorithms Fusing Vision, Audio, Activity and Dust Sensors 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.5, 2020년, pp.109 - 118

정주호 (Dept. of Software, Korea National University of Transportation) , 이도현 (Dept. of Software, Korea National University of Transportation) , 김성수 (Dept. of Software, Korea National University of Transportation) , 안준호 (Dept. of Software, Korea National University of Transportation)

초록
AI-Helper

최근 다양한 질병 때문에 사람들은 집 안에서 많은 시간을 보내고 있다. 집 안에서 다치거나 질병에 감염되어 타인의 도움이 필요한 1인 가구의 경우 타인에게 도움을 요청하기 어렵다. 본 연구에서는 1인 가구가 집 안에서 부상이나 질병 감염 등 타인의 도움이 필요로 하는 상황인 이상 징후를 탐지하기 위한 알고리즘을 제안한다. 홈 CCTV를 이용한 영상 패턴 탐지 알고리즘과 인공지능 스피커 등을 이용한 음성 패턴 탐지 알고리즘, 스마트폰의 가속도 센서를 이용한 활동 패턴 탐지 알고리즘, 공기청정기 등을 이용한 먼지 패턴 탐지 알고리즘을 제안한다. 하지만, 홈 CCTV의 보안 문제로 사용하기 어려울 경우 음성, 활동, 먼지 패턴 센서를 결합한 융합 방식을 제안한다. 각 알고리즘은 유튜브와 실험을 통해 데이터를 수집하여 정확도를 측정했다.

Abstract ▼ AI-Helper

Recently, people are spending a lot of time inside their homes because of various diseases. It is difficult to ask others for help in the case of a single-person household that is injured in the house or infected with a disease and needs help from others. In this study, an algorithm is proposed to detect emergency event, which are situations in which single-person households need help from others, such as injuries or disease infections, in their homes. It proposes vision pattern detection algorithms using home CCTVs, audio pattern detection algorithms using artificial intelligence speakers, activity pattern detection algorithms using acceleration sensors in smartphones, and dust pattern detection algorithms using air purifiers. However, if it is difficult to use due to security issues of home CCTVs, it proposes a fusion method combining audio, activity and dust pattern sensors. Each algorithm collected data through YouTube and experiments to measure accuracy.

주제어

표/그림 (17)

그림 (그림 1) 영상 패턴 알고리즘의 구조 (Figure 1) Algorithm architecture for the vision unusual pattern detections
그림 (그림 2) 음성 패턴 알고리즘의 구조 (Figure 2) Algorithm architecture for the audio unusual pattern detections
그림 (그림 3) 활동 패턴 알고리즘의 구조 (Figure 3) Algorithm architecture for the activity unusual pattern detections
그림 (그림 4) 먼지 패턴 알고리즘의 구조 (Figure 4) Algorithm architecture for the dust unusual pattern detections
표 (표 1) 영상 패턴 알고리즘의 탐지 성능 (Table 1) Algorithm results for unusual vision pattern detections
그림 (그림 5) 영상 패턴 알고리즘의 탐지 결과 (Figure 5) Detection results of the vision pattern algorithm
그림 (그림 6) 정상적인 음성 패턴 결과 (Figure 6) A result of the normal audio pattern
그림 (그림 7) 비정상적인 음성 패턴 결과 (Figure 7) A result of the unusual audio pattern
그림 (그림 8) 정상적인 활동 패턴 결과 (Figure 8) A result of the normal activity pattern
그림 (그림 9) 비정상적인 활동 패턴 결과 (Figure 9) A result of the unusual activity pattern
표 (표 2) 음성 패턴 알고리즘의 탐지 성능 (Table 2) Algorithm results for unusual audio pattern detections
표 (표 3) 활동 패턴 알고리즘의 탐지 성능 (Table 3) Algorithm results for unusual activity pattern detections
그림 (그림 10) 정상적인 먼지 패턴 결과 (Figure 10) A result of the normal dust pattern
그림 (그림 11) 비정상적인 먼지 패턴 결과 (Figure 11) A result of the unusual dust pattern
표 (표 4) 먼지 패턴 알고리즘의 탐지 성능 (Table 4) Algorithm results for unusual dust pattern detections
표 (표 5) 융합 방식의 탐지 성능 (Table 5) Fusion method results for unusual pattern detections
표 (표 6) 제안된 알고리즘들의 시나리오 기반 사용자 활동 탐지결과 (Table 6) Scenario-based user event detection results of proposed algorithms

AI 본문요약
AI-Helper

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

문제 정의

그림 5의 (a)는 원본 영상을 의미하며 (b)는 Faster R-CNN Inception v2 알고리즘을 통해 탐지를 하고 물체별 탐지 결과에 대한 Bounding box와 탐지 Class 및 정확도를 나타낸다. 그림 5의 (c)는 영상의 첫 프레임을 Gray 이미지로 복사한 후에 사람이라고 탐지된 물체의 중간 영역에 파란색 원을 그리고 사물이라고 탐지되는 물체의 영역에는 빨간색 원을 그려 시각적으로 물체의 움직임을 파악하고자 했다. 그림 5의 (d)는 Opencv를 이용하여 움직이는 물체와 배경을 감산하여 움직임이 발생될 수록 밝아지도록 하였으며 움직이는 물체에 대해 시각적으로 확인할 수 있다.
본 연구에서는 각 알고리즘의 성능을 평가하기 위해 유튜브를 통해 수집한 데이터와 자체적으로 실험을 통해 수집한 데이터를 통해 알고리즘의 성능을 평가했다. 영상 패턴 알고리즘은 유튜브를 통해 수집한 영상 데이터 및 자체적으로 실험한 데이터를 기반으로 했으며 알고리즘의 성능은 표 1과 같다.
스마트폰의 가속도 센서를 사용하는 이유는 스마트폰 종류는 굉장히 다양하며 스마트폰의 가격대에 따라 내장된 센서의 종류도 다양하지만 대부분의 스마트폰에는 가속도 센서가 내장되어 있다. 본 연구에서는 대부분의 스마트폰에 내장되어 있는 가속도 센서를 이용하여 효율적으로 사람의 움직임 또는 이상 징후를 탐지하고자 한다.
본 연구에서는 영상, 음성, 활동, 먼지 센서를 이용하여 사람의 움직임 또는 이상 징후 상태를 효과적으로 탐지하는 패턴 탐지 알고리즘을 제안했다. 또한, 보안 문제로 영상 패턴 알고리즘을 사용하지 못할 경우 음성, 활동, 먼지 패턴 알고리즘을 통해 이상 징후를 탐지할 수 있는 융합 방식을 제안했다.
우리는 1인 가구가 집 안에서 부상이나 질병 감염 등 타인의 도움이 필요로 하는 상황인 이상 징후를 보여 일반적인 생활 패턴과 다른 비정상적인 패턴을 탐지하고자 한다. 본 연구에서는 집 안에 설치된 홈 CCTV를 이용해 사람 및 사물을 탐지하여 사람의 움직임 및 이상 징후를 파악하는 영상 패턴 알고리즘과 사람의 음성을 수집하고 분석하여 사람의 움직임 및 이상 징후를 파악하는 음성 패턴 알고리즘을 제안한다. 또한, 스마트폰의 가속도 센서를 이용하여 사람의 움직임 및 이상 징후를 파악하는 활동 패턴 알고리즘과 공기청정기 등 가정의 다양한 기계에서 사용되고 있는 먼지 센서를 이용하여 사람의 움직임 및 이상 징후를 파악하는 먼지 패턴 알고리즘을 제안한다.
그러나, 영상 패턴 알고리즘은 홈 CCTV를 통해 영상 데이터를 수집하는데 보안 문제로 인해 사용을 원하지 않을 수 있다. 영상 패턴 알고리즘을 사용하지 않을 경우 음성, 활동, 먼지 패턴 알고리즘을 결합한 융합 방식을 제안하고자 한다. 융합 방식을 통해 각 패턴 알고리즘이 가지고 있는 단점을 서로 보완할 수 있다.
1인 가구의 수는 점점 더 많아지고 있는 추세이며 한국의 문제뿐만 아니라 전 세계적으로 증가하고 있는 추세[1]이다. 우리는 1인 가구가 집 안에서 부상이나 질병 감염 등 타인의 도움이 필요로 하는 상황인 이상 징후를 보여 일반적인 생활 패턴과 다른 비정상적인 패턴을 탐지하고자 한다. 본 연구에서는 집 안에 설치된 홈 CCTV를 이용해 사람 및 사물을 탐지하여 사람의 움직임 및 이상 징후를 파악하는 영상 패턴 알고리즘과 사람의 음성을 수집하고 분석하여 사람의 움직임 및 이상 징후를 파악하는 음성 패턴 알고리즘을 제안한다.

제안 방법

노이즈가 낀 소리는 집 안에서 발생될 수 있는 일상적인 소음(냉장고 소리, 에어컨 소음 등)이 말하는 소리에 분류되지 않도록 하여 사람의 일상적인 활동 상황 또는 이상 징후 상태를 명확하게 구분하기 위함이다. 3가지 소리로 분류되는 모델을 통해 음성 파일의 패턴을 분석한다. 말하는 소리가 탐지되면 사람이 정상적으로 움직이고 있다고 판단할 수 있다.
각 알고리즘의 제한적인 탐지 범위와 탐지의 정확도를 높일 수 있었다. 각 패턴 알고리즘과 융합 방식은 유튜브를 통해 수집한 데이터 및 실제 환경과 유사한 환경에서 실험을 통해 수집한 데이터를 기반으로 정확도를 측정했다. 융합 방식은 다양한 시나리오를 기반으로 정확도를 측정했으며, 음성, 활동, 먼지 패턴 알고리즘의 각각 제한적인 탐지 범위를 벗어나 다양한 범위에서 사람의 움직임 또는 이상 징후를 탐지할 수 있었다.
본 연구에서는 영상, 음성, 활동, 먼지 센서를 이용하여 사람의 움직임 또는 이상 징후 상태를 효과적으로 탐지하는 패턴 탐지 알고리즘을 제안했다. 또한, 보안 문제로 영상 패턴 알고리즘을 사용하지 못할 경우 음성, 활동, 먼지 패턴 알고리즘을 통해 이상 징후를 탐지할 수 있는 융합 방식을 제안했다. 각 알고리즘의 제한적인 탐지 범위와 탐지의 정확도를 높일 수 있었다.
본 연구에서는 집 안에 설치된 홈 CCTV를 이용해 사람 및 사물을 탐지하여 사람의 움직임 및 이상 징후를 파악하는 영상 패턴 알고리즘과 사람의 음성을 수집하고 분석하여 사람의 움직임 및 이상 징후를 파악하는 음성 패턴 알고리즘을 제안한다. 또한, 스마트폰의 가속도 센서를 이용하여 사람의 움직임 및 이상 징후를 파악하는 활동 패턴 알고리즘과 공기청정기 등 가정의 다양한 기계에서 사용되고 있는 먼지 센서를 이용하여 사람의 움직임 및 이상 징후를 파악하는 먼지 패턴 알고리즘을 제안한다. 각 알고리즘을 이용하여 사람의 움직임 및 이상 징후를 파악할 수 있다.
다양한 Internet of Things(IoT) 디바이스와 먼지 센서를 결합하여 대기질 또는 미세먼지를 탐지하는 연구들[10, 11] 또한 활발히 진행되고 있다. 라즈베리파이와 아두이노에 먼지센서 또는 가스 센서 등 다양한 센서를 연결하고 블루투스나 Wifi 모듈을 통해 측정한 값을 전달하여 분석한다. 본 연구에서는 아두이노와 DSM501A 센서를 이용하여 공기 중 발생된 먼지를 측정하는 방법을 사용한다.
사람이 탐지되면 사람의 움직임 여부를 분석한다. 사람이라고 탐지된 물체의 Bounding box의 x, y 좌표 값의 변화와 비율, 탐지 정확도의 정보를 기반으로 움직임을 분석한다. 움직임이 없다고 판단되면 패턴 분석을 통해 휴식 공간에서 휴식을 취하는 중인지, 휴식을 취하는 시간인지를 분석한다.
활동 패턴 알고리즘은 스마트폰의 가속도 센서를 통해 데이터를 수집하며 알고리즘의 구조는 그림 3과 같다. 수집한 데이터를 기반으로 데이터를 분석하여 사람의 움직임 또는 이상 징후 상태를 탐지한다. 스마트폰의 가속도 센서를 사용하는 이유는 스마트폰 종류는 굉장히 다양하며 스마트폰의 가격대에 따라 내장된 센서의 종류도 다양하지만 대부분의 스마트폰에는 가속도 센서가 내장되어 있다.
스마트폰의 다양한 센서를 이용하여 사람의 움직임을 확인하거나 낙상을 탐지하는 연구[7, 8, 9]들이 진행되고 있다. 스마트폰의 가속도 센서를 이용하여 낙상을 탐지하는 연구는 가속도 센서의 특징을 분석하고 낙상과 낙상이 아닌 상황에 대한 임계 값을 파악한 후, 차이뿐만 아니라 더욱 강화된 낙상 감지 접근법을 제안했다.
하지만, 홈 CCTV의 보안 이슈 등 다양한 이유로 영상 패턴 알고리즘을 사용하지 못하는 상황이 발생될 수 있다. 영상 패턴 알고리즘을 제외한 음성, 활동, 먼지 패턴 알고리즘을 이용한 융합 방식을 통해 각 알고리즘의 단점을 보완하고 높은 정확도로 사람의 정상적인 활동 및 이상 징후를 탐지한다. 각 패턴 알고리즘에 대해서 설명한 후 각 알고리즘의 실험을 진행하고 융합 방법은 다양한 시나리오를 기반으로 평가를 한 후 결론을 통해 마무리한다.
사람이라고 탐지된 물체의 Bounding box의 x, y 좌표 값의 변화와 비율, 탐지 정확도의 정보를 기반으로 움직임을 분석한다. 움직임이 없다고 판단되면 패턴 분석을 통해 휴식 공간에서 휴식을 취하는 중인지, 휴식을 취하는 시간인지를 분석한다. 패턴 분석의 결과를 통해 움직임이 없으면 이상 징후가 발생했다고 탐지되며 정상적인 휴식 장소 및 시간대면 정상적인 활동이라고 판단한다.
융합 방식의 시나리오는 14개의 일반적인 상황과 2개의 이상 징후 발생 상황에 대한 시나리오이며 모든 알고리즘이 탐지하지 못하는 상황을 반복하여 탐지 성능을 산출했다. TP 33개, TN 1개, FP 2개, FN 9개로 분류됐으며 스마트폰을 소지한 후 빨래나 TV 시청하며 운동을 하는 상황에 대해서는 3개의 패턴 알고리즘을 통해 정상적으로 탐지할 수 있다.

대상 데이터

실험을 통해 수집한 114개의 데이터를 이용하여 정확도를 산출 했으며 TP 76개, TN 8개, FP 2개, FN 28개로 분류 됐다.
음성 패턴 알고리즘은 자체적으로 실험을 통해 수집한 데이터를 분석했으며 알고리즘의 성능은 표2와 같다. 실험을 통해 수집한 152개의 데이터를 이용하여 정확도를 산출 했으며 TP 98개, TN 11개, FP 6개, FN 37개로 분류 됐다. 음성 패턴 알고리즘을 통해 정상적인 활동을 할 경우 탐지되는 패턴은 그림 6과 같다.
먼지 패턴 알고리즘은 자체적인 실험을 통해 수집한 데이터를 분석했으며 알고리즘의 성능은 표4와 같다. 실험을 통해 수집한 84개의 데이터를 이용하여 정확도를 산출했으며 TP 55개, TN 4개, FP 1개, FN 24개로 분류됐다. 먼지 패턴 알고리즘은 Arduino Uno 보드에 DSM501A 센서를 연결하여 먼지 센서 값을 읽어 들인 후 ㎍/㎥ 단위로 변환하여 저장한다.
영상 패턴 알고리즘은 유튜브를 통해 수집한 영상 데이터 및 자체적으로 실험한 데이터를 기반으로 했으며 알고리즘의 성능은 표 1과 같다. 총 187개의 데이터를 이용하였으며 TP(True Positive) 124개, TN(True Negative) 12개, FP(False Positive) 7개, FN(False Negative) 44개로 분류됐다. 그림 5의 (a)는 원본 영상을 의미하며 (b)는 Faster R-CNN Inception v2 알고리즘을 통해 탐지를 하고 물체별 탐지 결과에 대한 Bounding box와 탐지 Class 및 정확도를 나타낸다.

이론/모형

다양한 소리를 분석하고 분류하는 연구들[5, 6]이 다양하게 진행되고 있으며 본 연구에서는 다양한 소리를 분석하기 위하여 MFCC (Mel-Frequency Cepstral Coefficient) 알고리즘을 이용한다. 또한, 분석된 소리를 효과적으로 분류하기 위하여 GMM (Gaussian Mixture Model)을 이용하여 분류 모델을 만들어 탐지되는 소리를 분류하도록 했다.
영상 및 이미지를 기반으로 사람 및 사물을 탐지하는 연구들이 활발히 진행되고 있으며 Faster R-CNN 알고리즘[2]은 2-Stage detection 알고리즘 중 높은 정확도로 사람 및 사물 등의 객체를 탐지할 수 있다. 또한, Inception 모듈[3]을 Faster R-CNN 알고리즘과 결합하여 Common Objects in Context(COCO) Dataset으로 사전 학습된 모델[4]을 활용하여 사용했다.
다양한 소리를 분석하고 분류하는 연구들[5, 6]이 다양하게 진행되고 있으며 본 연구에서는 다양한 소리를 분석하기 위하여 MFCC (Mel-Frequency Cepstral Coefficient) 알고리즘을 이용한다. 또한, 분석된 소리를 효과적으로 분류하기 위하여 GMM (Gaussian Mixture Model)을 이용하여 분류 모델을 만들어 탐지되는 소리를 분류하도록 했다.
라즈베리파이와 아두이노에 먼지센서 또는 가스 센서 등 다양한 센서를 연결하고 블루투스나 Wifi 모듈을 통해 측정한 값을 전달하여 분석한다. 본 연구에서는 아두이노와 DSM501A 센서를 이용하여 공기 중 발생된 먼지를 측정하는 방법을 사용한다.
다양하게 수집된 음성 데이터를 기반으로 사람의 움직임 또는 이상 징후 상태를 파악할 수 있다. 수집된 음성 파일은 MFCC 알고리즘을 이용하여 Features 추출하고 GMM 알고리즘을 이용하여 추출된 Features를 기반으로 Classification을 하는 모델을 생성한다. Classification에서는 음성을 3가지 소리로 분류하도록 했다.
영상 패턴 알고리즘의 구조는 그림 1과 같다. 홈 CCTV를 통해 수집한 데이터를 통해 사람 및 사물을 탐지하기 위해 Faster R-CNN Inception v2 알고리즘을 사용한다. Faster R-CNN Inception v2 알고리즘은 2-Stage detection 알고리즘으로 높은 정확도와 처리 속도를 기반으로 탐지할 수 있다.

성능/효과

또한, 보안 문제로 영상 패턴 알고리즘을 사용하지 못할 경우 음성, 활동, 먼지 패턴 알고리즘을 통해 이상 징후를 탐지할 수 있는 융합 방식을 제안했다. 각 알고리즘의 제한적인 탐지 범위와 탐지의 정확도를 높일 수 있었다. 각 패턴 알고리즘과 융합 방식은 유튜브를 통해 수집한 데이터 및 실제 환경과 유사한 환경에서 실험을 통해 수집한 데이터를 기반으로 정확도를 측정했다.
스마트폰을 소지한 후 컴퓨터를 사용하는 상황에서는 소리, 활동 패턴 알고리즘을 통해 사람의 움직임을 판단할 수 있으며 스마트폰을 소지한 후 요리를 할 경우 활동, 먼지 패턴 알고리즘으로 사람의 움직임을 판단할 수 있다. 스마트폰을 소지한 후 독서를 할 상황에는 활동 패턴 알고리즘으로 사람의 움직임을 판단할 수 있고 스마트폰을 소지한 후 음악 재생 및 TV 시청을 할 상황에는 소리, 활동 패턴 알고리즘으로 사람의 움직임을 판단할 수 있다. 하지만, 스마트폰을 미 소지 하고 장시간 TV를 시청 후 이상 징후가 발생하는 상황에서는 3개의 패턴 알고리즘을 통해서 정상적인 상황인지 이상 징후 상황인지 판단하기 어렵다.
먼지 센서 주변에서 정상적인 활동(걷기, 뛰기, 옷털기, 요리 등)을 할 경우 먼지가 발생되고 먼지 센서는 이를 탐지하여 먼지 센서 값이 10 이상의 값을 탐지하는 것을 확인할 수 있다. 이상 징후가 발생 했을 때는 10 미만의 값만 탐지되는 것을 확인할 수 있었으며 이전의 연구를 통해 센서에서 대부분 5 미만의 값을 탐지하지만 노이즈로 인하여 5~10 의 값을 탐지하기 때문에 움직임이 발생되지 않는 상황은 10 미만의 값이 탐지되는 상황으로 정의했다. 하지만 먼지 패턴 알고리즘도 먼지 센서 주변에서 발생되는 상황에 대해서는 높은 정확도로 사람의 움직임 또는 이상 징후 상황에 대해서 탐지할 수 있지만 먼지 센서와 거리가 멀어지면 탐지할 수 없다.

후속연구

융합 방식은 다양한 시나리오를 기반으로 정확도를 측정했으며, 음성, 활동, 먼지 패턴 알고리즘의 각각 제한적인 탐지 범위를 벗어나 다양한 범위에서 사람의 움직임 또는 이상 징후를 탐지할 수 있었다. 추후에는 다양한 센서와 다양한 딥러닝 알고리즘을 통해 효율적으로 이상 징후를 탐지할 수 있도록 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	활동 패턴 알고리즘은 무엇을 통해 데이터를 수집하는가?	활동 패턴 알고리즘은 스마트폰의 가속도 센서를 통해 데이터를 수집하며 알고리즘의 구조는 그림 3과 같다. 수집한 데이터를 기반으로 데이터를 분석하여 사람의 움직임 또는 이상 징후 상태를 탐지한다.
	Faster R-CNN Inception v2 알고리즘은 어떤 과정을 통해 사람의 활동 및 이상 징후를 탐지하는가?	Faster R-CNN Inception v2 알고리즘은 2-Stage detection 알고리즘으로 높은 정확도와 처리 속도를 기반으로 탐지할 수 있다. 사람이 탐지되면 사람의 움직임 여부를 분석한다. 사람이라고 탐지된 물체의 Bounding box의 x, y 좌표 값의 변화와 비율, 탐지 정확도의 정보를 기반으로 움직임을 분석한다. 움직임이 없다고 판단되면 패턴 분석을 통해 휴식 공간에서 휴식을 취하는 중인지, 휴식을 취하는 시간인지를 분석한다. 패턴 분석의 결과를 통해 움직임이 없으면 이상 징후가 발생했다고 탐지되며 정상적인 휴식 장소 및 시간대면 정상적인 활동이라고 판단한다. 사물이 탐지되면 사물의 움직임 여부를 분석한다. 사람이 영상 영역 밖에서 물체를 움직일 수 있기 때문에 물체의 Bounding box의 x, y 좌표 값의 변화를 기반으로 사물의 움직임 여부를 판단한다. 움직임이 없다고 판단되면 사물 위치의 패턴을 분석한다. 위치 변동이 없던 사물이 위치가 변동되었으면 사람이 인위적으로 물체를 이동시켰다고 판단하여 정상적인 상태로 분류하며 사물의 위치가 지속적으로 변동되지 않으면 이상 징후가 발생되었다고 판단한다.
	영상 패턴 알고리즘이란 무엇인가?	영상 패턴 알고리즘은 홈 CCTV를 기반으로 영상 데이터를 수집하고 사람 및 사물을 탐지하여 사람의 정상적인 활동 및 이상 징후 상태를 탐지한다. 영상 패턴 알고리즘의 구조는 그림 1과 같다.

참고문헌 (14)

Dementianews, "The number of single-person households in the world has skyrocketed. Familyoriented care policy for the elderly 'hourly wage'", https://www.dementianews.co.kr/news/articleView.html?idxno2397
S. Ren, K. He, R. Girshick, J. Sun, "Faster R-CNN: towards real-time object detection with region proposal networks", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 39, No. 6, pp. 1137-1149, 2017. https://doi.org/10.1109/TPAMI.2016.2577031

상세보기
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, Z. Wojna, "Rethinking the inception architecture for computer vision", IEEE Conference on Computer Vision and Pattern Recognition, pp. 2818-2826, 2016. https://doi.org/10.1109/CVPR.2016.308
Tensorflow, "Object detection model zoo", 2020. https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
L. Vuegen, B. V. D. Broeck, P. Karsmakers, J. F. Gemmeke, B. Vanrumste, H. V. Hamme, "An mfcc-gmm approach for event detection and classification", IEEE AASP Challenge on Detection and Classification of Acoustic Scenes and Events, pp.1-3, 2013. http://c4dm.eecs.qmul.ac.uk/sceneseventschallenge/abstracts/OL/VVK.pdf
S. Sahoo, A. Routray, "Detecting Aggression in Voice Using Inverse Filtered Speech Features", IEEE Transactions on Affective Computing, Vol. 9, No. 2, pp. 217-226, 2018. https://doi.org/10.1109/TAFFC.2016.2615607

상세보기
J. Lee, H. Tseng, "Development of an Enhanced Threshold-Based Fall Detection System Using Smartphones with Built-In Accelerometers," in IEEE Sensors Journal, Vol. 19, No. 18, pp. 8293-8302, 2019. https://doi.org/10.1109/JSEN.2019.2918690

상세보기
A. Jalal, M. A. K. Quaid, M. A. Sidduqi, "A Triaxial Acceleration-based Human Motion Detection for Ambient Smart Home System", 16th International Bhurban Conference on Applied Sciences and Technology, pp. 353-358, 2019. https://doi.org/10.1109/IBCAST.2019.8667183
Guto LS, Patricia TE, Kayo HDCM, Elisson DSR, lvanovitch S, Theo L, "Accelerometer-based human fall detection using convolutional neural networks", Sensors (Basel), Vol. 19, No.7, pp. 1-12, 2019. https://doi.org/10.3390/s19071644
C. Srivastava, S. Singh, A. P. Singh, "IoT-enabled air monitoring system", Intelligent Systems, Technologies and Applications, Vol. 910, pp. 173-180, 2020. https://doi.org/10.1007/978-981-13-6095-4_13
L. A. A. Cruza, M. T. T. Grinoa, T. M. V. Tungola, J. T. Bautista, "Development of a Low-Cost Air Quality Data Acquisition IoT-based System using Arduino Leonardo", International Journal of Engineering and Manufacturing, Vol. 9, No. 3, pp. 1-18, 2019. https://doi.org/10.5815/ijem.2019.03.01

상세보기
J. Jung, J. Ahn, "Intelligent user pattern recognition based on vision, audio and activity for abnormal event detections of single households", Journal of The Korea Society of Computer and Information, Vol. 24, No. 5, pp. 59-66, 2019. https://doi.org/10.9708/jksci.2019.24.05.059

원문보기 상세보기
J. Jung, J. Ahn, "Intelligent abnormal event detection algorithm for single households at home via daily audio and vision patterns", Journal of Internet Computing and Services, Vol. 20, No. 1, pp. 77-86, 2019. https://doi.org/10.7472/jksii.2019.20.1.77

원문보기 상세보기
J. Song, J. Jung, J. Ahn, "Intelligent pattern recognition algorithms based on dust, vision and activity sensors for user unusual event detection", Journal of The Korea Society of Computer and Information, Vol. 24, No. 8, pp. 95-103, 2019. https://doi.org/10.9708/jksci.2019.24.08.095

원문보기 상세보기

저자의 다른 논문 :

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