[논문]VAE(Variational AutoEncoder) 기반 머신러닝 모델을 활용한 체중 라이프로그 이상탐지에 관한 연구

김지용; 박민서

doi:10.17703/jcct.2022.8.4.91

VAE(Variational AutoEncoder) 기반 머신러닝 모델을 활용한 체중 라이프로그 이상탐지에 관한 연구
Study on Lifelog Anomaly Detection using VAE-based Machine Learning Model 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.8 no.4, 2022년, pp.91 - 98

김지용 (광운대학교 수학과) , 박민서 (서울여자대학교 데이터사이언스학과)

초록
AI-Helper

웨어러블 기기를 통해 지속적으로 수집되는 라이프로그 데이터는 많은 이상값을 포함할 수 있으므로 데이터품질을 향상시키기 위해서는 이상값을 찾아 제거하는 것이 필요하다. 일반적으로 이상치의 개수가 정상 데이터의 개수보다 적기 때문에 클래스 불균형 문제가 발생한다. 이러한 불균형 문제를 해결하기 위해 Variational AutoEncoder를 outlier에 적용하는 방법을 제안한다. 제안된 방법으로 이상치 데이터를 전처리한 후, 다수의 머신러닝 모델(분류)을 통해 검증한다. 체중 데이터를 이용한 검증 결과, 모든 분류 모델에서 성능이 향상됨을 확인하였다. 실험 결과를 바탕으로 라이프로그 체중 데이터 분석 시 본 연구에서 제안한 이상치 처리 방법을 이용하여 데이터를 전처리한 후 성능이 가장 좋은 LightGBM 모델을 적용할 것을 제안한다.

Abstract ▼ AI-Helper

Lifelog data continuously collected through a wearable device may contain many outliers, so in order to improve data quality, it is necessary to find and remove outliers. In general, since the number of outliers is less than the number of normal data, a class imbalance problem occurs. To solve this imbalance problem, we propose a method that applies Variational AutoEncoder to outliers. After preprocessing the outlier data with proposed method, it is verified through a number of machine learning models(classification). As a result of verification using body weight data, it was confirmed that the performance was improved in all classification models. Based on the experimental results, when analyzing lifelog body weight data, we propose to apply the LightGBM model with the best performance after preprocessing the data using the outlier processing method proposed in this study.

주제어

표/그림 (7)

그림 그림 1. 원 학습 데이터 Figure 1. RAW DATA
그림 그림 2. 정상값을 증강한 학습 데이터 Figure 2. Data augmented for Normal Values
그림 그림 3. 이상값 증강한 학습 데이터 Figure 3. Data augmented for Outlier.
표 표 1. 최종 데이터셋의 파생 변수 및 설명 Table 1. Features and description of the final data set
그림 그림 4. 제안 방법론 요약 그래프 Figure 4. Proposal Summary Graph
표 표 2. 실험 모델들의 하이퍼파라미터 정리 표른 성능 표 Table 2. Hyperparameters of experimental models
표 표 3. 데이터 증강에 따른 성능 표 Table 3. Performance Validations(FI Score, MCC Score) according to Data Augmentation

참고문헌 (40)

Park, H.-S., and Moon, P.-J. (2021). A Study on Fashion Items to Prevent COVID-19 Using Wearable Technology. International Journal of Advanced Culture Technology, 9(3), 277-282. DOI: 10.17703/IJACT.2021.9.3.277

원문보기 상세보기
Park, M. (2022). Lifelog Analysis and Future using Artificial Intelligence in Healthcare. The Journal of the Convergence on Culture Technology, 8(2), 1-6. DOI: 10.17703/JCCT.2022.8.2.1

원문보기 상세보기
Kim, Jiyong, Jiyoung Lee, and Minseo Park (2022). Identification of Smartwatch-Collected Lifelog Variables Affecting Body Mass Index in Middle-Aged People Using Regression Machine Learning Algorithms and SHapley Addictive Explanations. Applied Sciences 12.8. DOI: 10.3390/app12083819

상세보기
Sanyal, D., and Raychaudhuri, M. (2016), Hypothyroidism and obesity, Indian journal of endocrinology and metabolism, 20(4), 554. DOI: 10.4103/2230-8210.183454

상세보기
Zheng, Y., Manson, J. E., Yuan, C., Liang, M. H., Grodstein, F., Stampfer, M. J., Willett, W. C., and Hu, F. B. (2017), Associations of weight gain from early to middle adulthood with major health outcomes later in life. Jama, 318(3), 255-269. DOI: 10.1001/jama.2017.7092

상세보기
Yatabe, Z. and Asubar, J. T. (2021), Ornstein-Uhlenbeck process in a human body weight fluctuation, Elsevier, 582. DOI: 10.1016/j.physa.2021.126286
Westerterp, K. R. (2020), Seasonal variation inbody mass, body composition and activity-induced energy expenditure: along-term study, European Journal of Clinical Nutrition, 74, 135-140. DOI: 10.1038/s41430-019-0408-y

상세보기
Fahey, M. C., Klesges, R. C., Kocak, M., Talcott, G. W., and Krukowski, R. A. (2020), Seasonal fluctuations in weight and self-weighing behavior among adults in a behavioral weight loss intervention. Eating and weight disorders, 25(4), 921-928. DOI: 10.1007/s40519-019-00707-7

상세보기
Racette, S. B., Weiss, E. P., Schechtman, K. B., Steger-May, K., Villareal, D. T., Obert, K. A., and Holloszy, J. O. (2008), Influence of weekend lifestyle patterns on body weight. Eat Weight Disord, 16(8), 1826-1830. DOI: 10.1038/oby.2008.320

상세보기
Orsama, A. L., Mattila, E., Ermes, M., van Gils, M., Wansink, B., and Korhonen, I. (2014), Weight rhythms: weight increases during weekends and decreases during weekdays. Obesity facts, 7(1), 36-47. DOI: 10.1159/000356147

상세보기
Somes, G. W., Kritchevsky, S. B., Shorr, R. I., Pahor, M., and Applegate, W-B. (2002), Body mass index, weight change, and death in older adults: the systolic hypertension in the elderly program, American journal of epidemiology, 156(2), 132-138. DOI: 10.1093/aje/kwf019

상세보기
Lin, M. Y., Liu, M. F., Hsu, L. F., and Tsai, P. S. (2017), Effects of self-management on chronic kidney disease: A meta-analysis. International journal of nursing studies, 74, 128-137. DOI: 10.1016/j.ijnurstu.2017.06.008

상세보기
Kim, Jiyong and Minseo Park(2022). A New Body Weight Lifelog Outliers Generation Method: Reflecting Characteristics of Body Weight Data. Applied Sciences 12.9. DOI: 10.3390/app12094726

상세보기
Arslan, M., Guzel, M., Demirci, M. C., and Ozdemir, S. (2019), SMOTE and Gaussian Noise Based Sensor Data Augmentation. 4th Int. Conf. on Computer Science and Engineering, 1-5. DOI: 10.1109/UBMK.2019.8907003
Park, J., Ahn, G., and Hur, S. (2020). Oversampling Based on k-NN and GAN for Effective Classification of Class Imbalance Dataset, Journal of the Korean Institute of Industrial Engineers, 46(4), 365-371. DOI: 10.7232/JKIIE.2020.46.4.365

상세보기
Jiang, Z., Pan, T., Zhang, C., and Yang, J. (2021), A New Oversampling Method Based on the Classification Contribution Degree. Symmetry, 13(2), 194. DOI: 10.3390/sym13020194

상세보기
Kumar, S., and Dhawan, S. (2020), A Detailed Study on Generative Adversarial Networks, 5th Int. Conf. on Communication and Electronics Systems, 641-645. DOI: 10.1109/ICCES48766.2020.9137883
Chalapathy, R., and Chawla, S. (2019), Deep learning for anomaly detection: A survey, arXiv: 1901.03407. DOI: 10.48550/arXiv.1901.03407
Wang, H., Bah, M. J., and Hammad, M. (2019), Progress in outlier detection techniques: A survey, Ieee Access, 7, 107964-108000. DOI: 10.1109/ACCESS.2019.2932769.

상세보기
Zhang, C., Zhou, Y., Chen, Y., Deng, Y., Wang, X., Dong, L., and Wei, H. (2018), Over-sampling algorithm based on vae in imbalanced classification, Int. Conf. on Cloud Computing, 10967, 334-344. DOI: 10.1007/978-3-319-94295-7_23
Primartha, R., and Tama, B. A. (2017), Anomaly detection using random forest: A performance revisited, Int. Conf. on Data and Software Engineering, 1-6. DOI: 10.1109/ICODSE.2017.8285847
Chawla, N., Bowyer, K., Hall, L. O., and Kegelmeyer, W. P. (2002), SMOTE: Synthetic Minority Over-sampling Technique, Journal of Artificial Intelligence Research, 16, 321-357. DOI: 10.1613/jair.953

상세보기
Han, H., Wang, W. Y., and Mao, B. H. (2005), Borderline-SMOTE: a new over-sampling method in imbalanced data sets learning, Int. Conf. on intelligent computing, 878-887. DOI: 10.1007/11538059_91

상세보기
He, H., Bai, Y., Garcia, E-A., and Li, S. (2008), ADASYN: Adaptive synthetic sampling approach for imbalanced learning, Int. joint Conf. on neural networks, 1322-1328. DOI: 10.1109/IJCNN.2008.4633969
Kingma, D. P., and Welling, M. (2013), Auto-encoding variational bayes, arXiv:1312.6114. DOI: 10.48550/arXiv.1312.6114
Lucas, J., Tucker, G., Grosse, R. B., and Norouzi, M. (2019), Don't blame the Elbo! a linear Vae perspective on posterior collapse. Advances in Neural Information Processing Systems, 32, 9408-9418. DOI: 10.48550/arXiv.1911.02469
Yu, R. (2020), A Tutorial on VAEs: From Bayes' Rule to Lossless Compression., arXiv:200 6.10273. DOI: 10.48550/arXiv.2006.10273
Xu, M., Quiroz, M., Kohn, R., and Sisson, S-A. (2019), Variance reduction properties of the reparameterization trick, 22nd International Conference on Artificial Intelligence and Statistics, 2711-2720. DOI: 10.48550/arXiv.1809.10330
Rezende, D. J., Mohamed, S., and Wierstra, D. (2014), Stochastic backpropagation and variational inference in deep latent gaussian models, Int. Conf. on Machine Learning, 2(2). DOI: 10.48550/ arXiv.1401.4082
Ovinnikov, I. (2019), Poincar＼'e Wasserstein Autoencoder, DOI: 10.48550/arXiv.1901.01427
Garcia-Ordas, M. T., Benavides, C., Benitez-Andrades, J. A., Alaiz-Moreton, H., and Garcia-Rodriguez, I. (2021), Diabetes detection using deep learning techniques with oversampling and feature augmentation, Computer Methods and Programs in Biomedicine, 202, 105968. DOI: 10.1016/j.cmpb.2021.105968

상세보기
Moreno-Barea, F. J., Jerez, J. M., and Franco, L. (2020), Improving classification accuracy using data augmentation on small data sets. Expert Systems with Applications, 161, 113696. DOI: 10.1016/j.eswa.2020.113696

상세보기
Garcia-Ordas, M. T., Benitez-Andrades, J. A., Garcia-Rodriguez, I., Benavides, C., and Alaiz-Moreton, H. (2020), Detecting respiratory pathologies using convolutional neural networks and variational autoencoders for unbalancing data, Sensors, 20(4), 1214. DOI: 10.3390/s20041214

상세보기
Mirheidari, B., Pan, Y., Blackburn, D., O'Malley, R., Walker, T., Venneri, A., Reuber, M., and Christensen, H. (2020), Data augmentation using generative networks to identify dementia, arXiv:2004.05989. DOI: 10.48550/arXiv.2004.05989
Ferri, C., Hernandez-Orallo, J., and Modroiu, R. (2009), An experimental comparison of performance measures for classification, Pattern Recognition Letters, 30(1), 27-38. DOI: 10.1016/j.patrec.2008.08.010

상세보기
Sun, Y., Wong, A. K., and Kamel, M. S. (2009), Classification of imbalanced data: A review, International journal of pattern recognition and artificial intelligence, 23(04), 687-719. DOI: 10.1142/S0218001409007326

상세보기
Branco, P., Torgo, L., and Ribeiro, R. (2015), A survey of predictive modelling under imbalanced distributions, arXiv:1505.01658. DOI: 10.48550/arXiv.1505.01658
Fan, J., Sun, C., Chen, C., Jiang, X., Liu, X., Zhao, X., Meng, L., Dai, C., and Chen, W. (2020), EEG data augmentation: towards class imbalance problem in sleep staging tasks, Journal of Neural Engineering, 17(5). DOI: 10.1088/1741-2552/abb5be

상세보기
Jeni, L. A., Cohn, J. F., and De La Torre, F. (2013), Facing imbalanced data-recommendations for the use of performance metrics, Humaine Assoc. Conf. on affective computing and intelligent interaction, 245-251. DOI: 10.1109/ACII.2013.47
Chicco, D., and Jurman, G. (2020), The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation, BMC genomics, 21(1), 1-13. DOI: 10.1186-/s12864-019-6413-7

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