[논문]3축 가속도 센서를 이용한 행동 인식 비교

왕창원; 호종갑; 나예지; 정화영; 남윤영; 민세동

문제 정의

노인들이 일상생활에서 많이 행동하는 7가지 유형의 행동을 선정하고, 각 행동에 대한 특징을 추출하였다. 그리고 7가지의 분류 알고리즘을 적용하여 인식률이 가장 높은 알고리즘을 도출하고자 하였다.
따라서 본 연구에서는 65세 이상 노인들의 낙상을 예측 및 예방하는 시스템을 개발하기 위한 선행연구로 진행되었다. 노인들이 일상생활에서 많이 행동하는 7가지 유형의 행동을 선정하고, 각 행동에 대한 특징을 추출하였다.
피험자는 건강한 성인 남성 8명, 여성2명으로 총 10명으로 구성하였다. 본 연구의 이전 실험에서, 절름발이를 오른발과 왼발을 구분하여 분류를 하고자 하였다. 하지만 비슷한 패턴과 3축 가속도센서 값의 범위가 비슷하여 구분하기 어려웠다.
본 연구에서는 65세 이상 노인들이 일상에서 많이 행동하는 7가지 유형의 행동의 특징을 추출하고, 7가지 분류알고리즘에 적용하였다. 이를 통해 가장 인식률이 높은 알고리즘을 도출하여 향후 65세 이상 노인의 행동인식에 사용할 분류 알고리즘을 도출하고자 하였다. 행동 패턴의 특징은 3축 가속도 센서의 x축, y축, z축의 값, 평균, 표준편차, 그리고 수직 및 수평축의 데이터를 사용하였다.

제안 방법

따라서 본 연구에서는 65세 이상 노인들의 낙상을 예측 및 예방하는 시스템을 개발하기 위한 선행연구로 진행되었다. 노인들이 일상생활에서 많이 행동하는 7가지 유형의 행동을 선정하고, 각 행동에 대한 특징을 추출하였다. 그리고 7가지의 분류 알고리즘을 적용하여 인식률이 가장 높은 알고리즘을 도출하고자 하였다.
데이터 전처리과정은 Moving average filtering을 통해 jittering 잡음을 제거하고 신호를 smoothing하게 만들었다(그림 3). 선행연구[5]에서 average point가 5일 때, 가장 효과적으로 jittering 잡음을 제거하고 신호가 smooth하게 나타났다.
본 연구에서는 안드로이드 기반 스마트폰의 3축 가속도 센서를 이용하여 데이터를 획득 하였다(그림 1). 데이터는 1분 동안 30Hz로 샘플링 하였고, 스마트폰에 저장하도록 구성하였다. 보행 패턴은 정상보행, 절름발이, 지팡이, 느린 보행, 허리가 굽은 상태에서의 보행, 스스로 휠체어 끌기, 누군가가 뒤에서 휠체어 끌기, 총 7가지로 구성하였고, 3축 가속도 데이터를 획득하였다(그림 2).
따라서 본 연구에서는 average point를 5로 설정하였다. 또한 행동 인식률을 올리기 위해 수평 및 수직축의 데이터를 추출하였다(그림 4).
본 연구에서는 3축 가속도 센서값, 센서값의 평균, 표준편차, 수직 및 수평 데이터를 데이터 인식에 특징점으로 사용하였다. 데이터 분류는 Weka툴의 10-fold cross validation방법을 이용하여 Naive Bayes(NB), Decision Tree(DT), Support Vector Machine(SVM), Bayes Net(BN), Multilayer perception(MLP), Losgistic Regression(Logistic), k-Nearst Neighbors(k-NN) 알고리즘을 사용하였다.
본 연구에서는 65세 이상 노인들이 일상에서 많이 행동하는 7가지 유형의 행동의 특징을 추출하고, 7가지 분류알고리즘에 적용하였다. 이를 통해 가장 인식률이 높은 알고리즘을 도출하여 향후 65세 이상 노인의 행동인식에 사용할 분류 알고리즘을 도출하고자 하였다.
하지만 비슷한 패턴과 3축 가속도센서 값의 범위가 비슷하여 구분하기 어려웠다. 이에 본 연구에서는 단일 패턴으로 설정하였다. 또한 휠체어의 경우 정확도가 낮게 나타났는데, 이는 3축 가속도 센서의 x축, y축, z축 데이터가 값이 작고, 비슷한 패턴 때문인 것으로 사료된다.
행동 패턴의 특징은 3축 가속도 센서의 x축, y축, z축의 값, 평균, 표준편차, 그리고 수직 및 수평축의 데이터를 사용하였다. 행동 패턴은 총 7가지로 정상보행, 절름발이, 지팡이, 느린 보행, 허리굽은 상태에서 보행, 스스로 휠체어를 끌 때 그리고 누군가가 휠체어를 밀어줄 때 로 구성하였다. 피험자는 건강한 성인 남성 8명, 여성2명으로 총 10명으로 구성하였다.

대상 데이터

데이터는 1분 동안 30Hz로 샘플링 하였고, 스마트폰에 저장하도록 구성하였다. 보행 패턴은 정상보행, 절름발이, 지팡이, 느린 보행, 허리가 굽은 상태에서의 보행, 스스로 휠체어 끌기, 누군가가 뒤에서 휠체어 끌기, 총 7가지로 구성하였고, 3축 가속도 데이터를 획득하였다(그림 2). 보행패턴 선정 기준은 노인들의 일상적으로 자주 행동하는 것으로 선정하였다.
본 연구에서는 안드로이드 기반 스마트폰의 3축 가속도 센서를 이용하여 데이터를 획득 하였다(그림 1). 데이터는 1분 동안 30Hz로 샘플링 하였고, 스마트폰에 저장하도록 구성하였다.
행동 패턴은 총 7가지로 정상보행, 절름발이, 지팡이, 느린 보행, 허리굽은 상태에서 보행, 스스로 휠체어를 끌 때 그리고 누군가가 휠체어를 밀어줄 때 로 구성하였다. 피험자는 건강한 성인 남성 8명, 여성2명으로 총 10명으로 구성하였다. 본 연구의 이전 실험에서, 절름발이를 오른발과 왼발을 구분하여 분류를 하고자 하였다.
피험자는 신체적으로 건강한 성인 10명(남성 8명, 여성 2명)을 선정하였다. 피험자들의 평균나이는 25.
이를 통해 가장 인식률이 높은 알고리즘을 도출하여 향후 65세 이상 노인의 행동인식에 사용할 분류 알고리즘을 도출하고자 하였다. 행동 패턴의 특징은 3축 가속도 센서의 x축, y축, z축의 값, 평균, 표준편차, 그리고 수직 및 수평축의 데이터를 사용하였다. 행동 패턴은 총 7가지로 정상보행, 절름발이, 지팡이, 느린 보행, 허리굽은 상태에서 보행, 스스로 휠체어를 끌 때 그리고 누군가가 휠체어를 밀어줄 때 로 구성하였다.

이론/모형

본 연구에서는 3축 가속도 센서값, 센서값의 평균, 표준편차, 수직 및 수평 데이터를 데이터 인식에 특징점으로 사용하였다. 데이터 분류는 Weka툴의 10-fold cross validation방법을 이용하여 Naive Bayes(NB), Decision Tree(DT), Support Vector Machine(SVM), Bayes Net(BN), Multilayer perception(MLP), Losgistic Regression(Logistic), k-Nearst Neighbors(k-NN) 알고리즘을 사용하였다.

성능/효과

아래의 <표 1>은 7가지 유형의 행동에 대한 인식 결과이다. 7가지의 분류 알고리즘 중에 k-NN이 98.7%로 정확도가 가장 높게 나타났고, Naive Bayes가 93%로 가장 낮게 나타났다.
893으로 나타나면서 인식률이 가장 낮게 나타났다. 각 알고리즘 별 인식률을 보면, NB에서는 0.951, 0.776, BN에서는 0.915, 0.851, SVM에서는 0.764, 0.943, k-NN에서는 0.954, 0.926, DT에서는 0.926, 0.922, MLP에서는 0.9, 0.891, Logistic에서는 0.923, 0.918로 나타났다.
95로 나타났다. 각 알고리즘의 평균 인식률은 정상보행에서는 0.981, 절름발이 보행에서는 0.959, 지팡이에서는 0.97, 느린 보행에서는 0.989, 허리가 굽은 상태에서의 보행에서는 0.978, 스스로 휠체어 끌기는 0.907, 누군가가 뒤에서 휠체어 끌기는 0.893으로 나타났다.
본 연구에서는 k-NN알고리즘의 정상보행 인식률이 100%, 느린 보행이 100%로 나타났고, DT에서는 98.1%,99.3%, MLP에서는 98.8%, 99%, Logistic에서는 97.5%,99.4%, NB에서는 96.8%, 98.7%로 나타났다. 기존의 선행연구 결과 대비 k-NN알고리즘에서는 각각 8%, 5.
총 7가지 행동 유형에 대한 모든 행동 패턴의 인식률 평균은 0.95로 나타났다. 각 알고리즘의 평균 인식률은 정상보행에서는 0.

후속연구

본 연구를 통해 얻은 결과는 향후 행동인식을 위한 효율적인 분류 알고리즘을 선택하는데 도움이 될 것이라 사료된다.
또한 휠체어의 경우 정확도가 낮게 나타났는데, 이는 3축 가속도 센서의 x축, y축, z축 데이터가 값이 작고, 비슷한 패턴 때문인 것으로 사료된다. 차후 연구에서는 두 패턴을 명확히 구분할 수 있는 새로운 특징점을 도출한다면 보다 높은 인식률을 얻을 수 있을 것으로 판단된다.

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

3축 가속도 센서를 이용한 행동 인식 비교
A comparison of activity recognition using a triaxial accelerometer sensor 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

3축 가속도 센서를 이용한 행동 인식 비교 A comparison of activity recognition using a triaxial accelerometer sensor 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

3축 가속도 센서를 이용한 행동 인식 비교
A comparison of activity recognition using a triaxial accelerometer sensor 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper