[논문]머신러닝 기반의 안전도 데이터 필터링 모델

홍기현; 이병문

doi:10.9717/kmms.2020.24.2.274

머신러닝 기반의 안전도 데이터 필터링 모델
Electrooculography Filtering Model Based on Machine Learning 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.24 no.2, 2021년, pp.274 - 284

홍기현 (Dept. of Computer Engineering, College of IT, Gachon University) , 이병문 (Dept. of Computer Engineering, College of IT, Gachon University)

Abstract ▼ AI-Helper

Customized services to a sleep induction for better sleepcare are more effective because of different satisfaction levels to users. The EOG data measured at the frontal lobe when a person blinks his eyes can be used as biometric data because it has different values for each person. The accuracy of measurement is degraded by a noise source, such as toss and turn. Therefore, it is necessary to analyze the noisy data and remove them from normal EOG by filtering. There are low-pass filtering and high-pass filtering as filtering using a frequency band. However, since filtering within a frequency band range is also required for more effective performance, we propose a machine learning model for the filtering of EOG data in this paper as the second filtering method. In addition, optimal values of parameters such as the depth of the hidden layer, the number of nodes of the hidden layer, the activation function, and the dropout were found through experiments, to improve the performance of the machine learning filtering model, and the filtering performance of 95.7% was obtained. Eventually, it is expected that it can be used for effective user identification services by using filtering model for EOG data.

주제어

표/그림 (13)

그림 Fig. 1. Threshold for eye blink data.
그림 Fig. 2. Preprocessing process for eye blink data.
그림 Fig. 3. Preprocessed eye blink data with noise.
그림 Fig. 4. Electrooculography data filtering model.
그림 Fig. 5. Features of eye blink data.
표 Table 1. Feature table of eye blink data.
그림 Fig. 6. Preprocessing process for eye blink features.
표 Table 2. Number of eye blink data partitions.
그림 Fig. 7. Experimental environment and measuring in-struments.
그림 Fig. 8. Internal structure of eye blink data measuring device.
표 Table 3. Model performance results based on different parameters.
그림 Fig. 9. Noise filtering performance ROC curve.
표 Table 4. Noise filtering performance confusion matrix.

AI 본문요약
AI-Helper

문제 정의

따라서 본 논문에서는 안전도 데이터에서 데이터 분석에 많이 활용되는 눈 깜빡임 데이터와 잡파가 섞여 데이터 분석에 방해되는 눈 깜빡임 데이터를 분류하는 모델을 제안하였다. 실제 서비스 환경과 비슷한 곳에서 사용자의 안전도를 측정한 후 이를 분류하는 실험을 통해 제안한 모델이 잡파를 분리하는 데에 효과적임을 확인하였으며 3개의 은닉층을 사용하여 95.

제안 방법

이 특징들은 눈을 깜빡일 때 안전도 데이터로부터 추출할 수 있으며 일정한 형태의 파형을 갖기 때문에 잡파가 섞인다면 구별해 낼 수 있다. 따라서 User의 눈 깜빡임에서 특징 데이터를 추출하고 이를 학습시켜 잡파가 섞인 눈 깜빡임 데이터를 분리하는 안전도 데이터 필터링 모델을 통하여 2차 필터링을 수행한다.
이러한 점에서 잡파를 제거할 수 있는 필터링 과정이 필요하다. 따라서 본 연구에서는 안전도 데이터 필터링 모델을 제안하고 다음의 연구방법과 실험으로 잡파 필터링 성능이 우수한 모델의 파라메터를 찾고자 한다.
학습을 너무 반복하면 검증 정확도가 낮아지는 과학습을 보이므로 이를 방지하기 위해서 검증 데이터의 손실 값을 통한 재학습을 도입하여 학습할 필요가 있다. 재학습을 과학습 방지용으로 활용하여 학습모델을 생성하고, 준비해 놓은 테스트 데이터로 학습 모델을 평가한다. 일반적으로 다층 신경망에서 우수한 평가결과를 얻으려면 은닉층의 개수, 적용할 활성화 함수와 최적화 함수 등 여러 개의 파라메터를 다르게 적용시켜가며 최적의 성능을 찾는다.
학습과정에서 안전도 데이터 필터링 모델을 선택하기 위해 은닉층의 파라메터를 다르게 적용시킨 모델을 학습하였다. 이 과정에서 검증 데이터의 최대 정확도와 평균 정확도를 비교하였다.

대상 데이터

1차 필터링으로 제거되지 않은 잡파는 2차 필터링으로 제거한다. 본 논문에서는 2차 필터링의 학습을 위한 데이터로 Fig.4의 (a)와 같이 눈 깜빡임 특징(features) 데이터를 이용한다. 이 특징들은 눈을 깜빡일 때 안전도 데이터로부터 추출할 수 있으며 일정한 형태의 파형을 갖기 때문에 잡파가 섞인다면 구별해 낼 수 있다.
본 논문에서는 한번 눈을 깜빡일 때마다 측정한 파형에서 10개의 특징을 추출하여 학습에 필요한 데 이터셋을 구성한다. 이는 Table1과 같다.
실험 데이터는 3명의 사용자에게서 측정하였다. 사용자는 20대 남성 1명, 30대 남성 1명, 20대 여성 1명으로 구성하였다. 실험 데이터는 눈 깜빡임 데이터 2,357개, 잡파가 섞인 눈 깜빡임 데이터 882개로 총 3,239개의 데이터를 얻었다.
이와 같은 방식으로 Table2과 같은 실험 데이터를 얻었다. 실험 데이터는 3명의 사용자에게서 측정하였다. 사용자는 20대 남성 1명, 30대 남성 1명, 20대 여성 1명으로 구성하였다.
사용자는 20대 남성 1명, 30대 남성 1명, 20대 여성 1명으로 구성하였다. 실험 데이터는 눈 깜빡임 데이터 2,357개, 잡파가 섞인 눈 깜빡임 데이터 882개로 총 3,239개의 데이터를 얻었다. 이 중에서 1,960개는 학습 데이터, 640개는 검증 데이터, 그리고 639개는 테스트 데이터로 사용하였다.
실험 데이터는 눈 깜빡임 데이터 2,357개, 잡파가 섞인 눈 깜빡임 데이터 882개로 총 3,239개의 데이터를 얻었다. 이 중에서 1,960개는 학습 데이터, 640개는 검증 데이터, 그리고 639개는 테스트 데이터로 사용하였다.

데이터처리

파라메터는 은닉층의 깊이, 은닉층의 노드 수, 은닉층의 활성화 함수, 그리고 드롭아웃이다. 각각 다른 파라메터를 갖는 모델 중에서 잡파 필터링에 대한 최적 성능을 갖는 모델 하나를 선택하기 위해 검증 과정으로 검증 정확도와 손실률을 기록한다. 이때 과학습되어 검증 정확도가 낮은 모델은 검증 최대 정확도를 기준으로 재학습하여 모델을 보완한다.
이때 과학습되어 검증 정확도가 낮은 모델은 검증 최대 정확도를 기준으로 재학습하여 모델을 보완한다. 그 후 각 모델의 검증 최대 정확도와 평균 정확도를 비교하여 잡파 필터링 성능을 평가하고 모델을 선택한다.
학습과정에서 안전도 데이터 필터링 모델을 선택하기 위해 은닉층의 파라메터를 다르게 적용시킨 모델을 학습하였다. 이 과정에서 검증 데이터의 최대 정확도와 평균 정확도를 비교하였다. 학습한 결과는 Table3과 같다.
예측과정은 선택된 모델의 잡파 필터링 성능을 평가하는 과정이다. 특징 데이터를 모델에 입력하여 나온 예측결과를 로그 파일 형태로 기록하고 해당 특징 데이터의 라벨과 비교하여 잡파 필터링 정확도 평가에 활용한다.

이론/모형

이를 위해 입력층의 노드 수는 10개, 출력층의 노드 수는 2개로 한다. 출력층의 활성화 함수는 다중 분류에서 하나를 선택하는 데에 성능이 좋다고 평가된 soft max를 사용한다. 학습은 입력층의 특징 데이터가 은닉층의 노드 값을 변화시키고 출력층으로 출력된 결과와 라벨을 비교하여 손실 값만큼 은닉층의 노드 값을 수정하는 과정이다.

성능/효과

3%로 나타나 은닉층의 깊이가 1, 2, 4인 경우와 비교하여 우수한 성능을 보였다. 또한, 다른 조건이 같은 경우 활성화 함수로 relu를 선택하였을 때 sig-moid를 선택한 경우보다 우수한 성능을 보였다. 그러나 드롭아웃의 경우, 다른 조건이 같았을 때 유의미한 차이를 보이지 않았다.
9에서 은닉층의 깊이가 1일 때 잡파 필터링 성능이 낮다는 것을 알 수 있었다. 또한, 은닉층의 깊이가 증가할수록 잡파 필터링 성능이 높다는 것을 확인하였다. 그러나 은닉층의 깊이가 4인 경우 잡파 필터링 성능이 전체적으로 낮아져 은닉층의 깊이가 1일 때와 비슷한 잡파 필터링 성능을 보였다.
따라서 본 논문에서는 안전도 데이터에서 데이터 분석에 많이 활용되는 눈 깜빡임 데이터와 잡파가 섞여 데이터 분석에 방해되는 눈 깜빡임 데이터를 분류하는 모델을 제안하였다. 실제 서비스 환경과 비슷한 곳에서 사용자의 안전도를 측정한 후 이를 분류하는 실험을 통해 제안한 모델이 잡파를 분리하는 데에 효과적임을 확인하였으며 3개의 은닉층을 사용하여 95.7%의 평균 정확도를 얻을 수 있었다. 이 필터링 학습모델을 실제 서비스에 활용한다면 개인식별의 정확도를 높여 사용자에게 좀 더 품질 높은 수면 케어 서비스를 제공할 수 있을 것을 기대한다.
이는 모델 학습과정에서 학습 데이터에 과적합되어 필터링 성능이 낮아지는 것으로 평가된다. 이와 같은 결과를 볼 때, 은닉층의 깊이가 3일 경우 잡파 필터링의 성능이 가장 우수하다고 판단되므로 예측과정을 위한 은닉층의 깊이로 3을 선택하는 것이 적합하다고 평가한다.
897로 얻을 수 있었다. 이와 같은 방식의 조건으로 은닉층의 깊이가 3일 때를 보면 검증 데이터의 최대 정확도가 94.3%, 94.3%, 92.6 %, 92.3%로 나타나 은닉층의 깊이가 1, 2, 4인 경우와 비교하여 우수한 성능을 보였다. 또한, 다른 조건이 같은 경우 활성화 함수로 relu를 선택하였을 때 sig-moid를 선택한 경우보다 우수한 성능을 보였다.

후속연구

그러나 본 연구에서는 좀 더 다양한 환경과 불특정 다수의 눈 깜빡임 데이터에 대한 부분을 고려하지 않았다. 이를 향후 연구에서 고려한다면 좀 더 범용적이고 분리 성능이 우수한 안전도 데이터 필터링 모델을 통한 개인 식별 및 수면 케어 서비스를 제공할 수 있을 것이다.
7%의 평균 정확도를 얻을 수 있었다. 이 필터링 학습모델을 실제 서비스에 활용한다면 개인식별의 정확도를 높여 사용자에게 좀 더 품질 높은 수면 케어 서비스를 제공할 수 있을 것을 기대한다.
그러나 본 연구에서는 좀 더 다양한 환경과 불특정 다수의 눈 깜빡임 데이터에 대한 부분을 고려하지 않았다. 이를 향후 연구에서 고려한다면 좀 더 범용적이고 분리 성능이 우수한 안전도 데이터 필터링 모델을 통한 개인 식별 및 수면 케어 서비스를 제공할 수 있을 것이다.

참고문헌 (25)

H.S. Wi and B.M. Lee, "Customized Realtime Control of Sleep Induction Sound based on Brain Wave Data," Journal of Korea Multimedia Society, Vol. 23, No. 2, pp. 204-215, 2020.
H.S. Wi and B.M. Lee, "Classification Method of Sleep Induction Sounds in Sleep Care Service based on Brain Wave," Journal of Korea Multimedia Society, Vol. 23, No. 11, pp. 1406-1417, 2020.

원문보기 상세보기
E. Jo and S.M. Kim, "A Study on the UI Design of Sleep Management Mobile App for Pregnant Women," The Journal of the Korea Contents Association, Vol. 18, No. 2, pp. 378-387, 2018.

원문보기 상세보기
M. Igaki, M. Suzuki, I. Sakamoto, T. Ichiba, and K. Kuriyama, "Effects of Bedtime Periocular and Posterior Cervical Cutaneous Warming on Sleep Status in Adult Male Subjects: A Preliminary Study," Sleep and Biological Rhythms, Vol. 16, No. 1, pp. 77-84, 2018.

상세보기
S.Y. Shin, K.S. S, and Y.W. R, "Improvement of Sleep Quality Using Color Histogram," Journal of the Korea Institute of Information and Communication Engineering, Vol. 15, No. 6, pp. 1283-1288, 2011.

원문보기 상세보기
Y.M. Seo, J.S. Kim, and N.J. Je, "Factors Relating Quality of Sleep: Comparison between Young-old People and Old-old People," Journal of the Korea Academia-Industrial cooperation Society, Vol. 20, No. 6, pp. 332-341, 2019.

원문보기 상세보기
S.W. Lee and J.S. Kim, "Bio-Signal Authentication Algorithm Using Electrocardiogram," The Journal of Korean Institute of Communications and Information Sciences, Vol. 42, No. 12, pp. 2350-2356, 2017.

상세보기
M.S. Yook, H.Y. Kim, and H.R. Shim, "User Recognition of Each Personal Identification Technique based on the Biometrics," The Journal of the Korea Contents Association, Vol. 16, No. 11, pp. 11-19, 2016.

원문보기 상세보기
P. Kasprowski and J. Ober, "Eye movements in biometrics," International Workshop on Biometric Authentication, pp. 248-258, 2004.
D.J. Lee, H.J. Go, K.C. Kwak, and M.G. Chun, "Development of Advanced Personal Identification System Using Iris Image and Speech Signal," Journal of Korean Institute of Intelligent Systems, Vol. 13, No. 3, pp. 348-354, 2003.

원문보기 상세보기
X. Kong and G.F. Wilson, "A new EOG-based eyeblink detection algorithm," Behavior Research Methods, Instruments, & Computers, Vol. 30, No. 4, pp. 713-719, 1998.

상세보기
K.H. Hong, B.M. Lee, and Y.J. Park, "Realtime Individual Identification Based on EOG Algorithm for Customized Sleep Care Service," Journal of Convergence for Information Technology, Vol. 9, No. 12, pp. 8-16, 2019.

원문보기 상세보기
Korea EEG Study Group, Art and application of EEG analysis, Medbook, Seoul, 2017.
Korea Society for EEG and Neurophysiology, Understanding and application of EEG, hakjisa, Seoul, 2017.
W.J. Park, J.H. Park, and Y.H. Lee, "A DNN-based Epileptic EEG Detection System for Epileptic Patient Classification," Journal of Computing Science and Engineering, Vol. 46, No. 12, pp. 1291-1295, 2019.
M. Abo-Zahhad, S.M. Ahmed, and S.N. Abbas, "A Novel Biometric Approach for Human Identification and Verification Using Eye Blinking Signal," IEEE Signal P rocessing Letters, Vol. 22, No. 7, pp. 876-880, 2014.
M. Nakanishi, Y. Mitsukura, Y. Wang, and Y.T. Wang, "Online Voluntary Eye Blink Detection Using Electrooculogram," International Symposium on Nonlinear Theory and Its Applications, pp. 114-117, 2012.
R. Barea, L. Boquete, M. Mazo, and E. Lopez, "Wheelchair Guidance Strategies Using EOG," Journal of Intelligent and Robotic Systems, Vol. 34, No. 3, pp. 279-299, 2002.
S.T. Jang, J.H. Lee, J.Y. Jang, and W.D. Chang, "Gaze Tracking with Low-cost EOG Measuring Device," Journal of the Korea Convergence Society, Vol. 9, No. 11, pp. 53-60, 2018.

원문보기 상세보기
B.J. Kim, K.C. Kwon, Y.M. Yang, and N. Kim, "Keyboard for Virtual Reality Head Mounted Display using Electro-oculogram," The Journal of the Korea Contents Association, Vol. 18, No. 1 pp. 1-9, 2018.

원문보기 상세보기
J.W. Choi and S.H. Jo, "Implementation of EOG Signal to Chess Game Control," The Korean Institute of Information Scientists and Engineers, Vol. 24, No. 8, pp. 416-421, 2018.
PhysioNet Databases(1999). https://physionet.org/about/database (accessed December 22, 2020).
OpenBCI Documentation(2020). https://docs.openbci.com/docs/03Ganglion/GanglionLanding (accessed December 22, 2020).
Source codes of the first filtering model for experiment (2020). https://github.com/KiHyeonHong/EOG_Blink_Identification (accessed January 21, 2021).
Source codes of the second filtering model for experiment (2020). https://github.com/KiHyeonHong/EOG_filtering_model_final (accessed January 21, 2021).

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