[논문]데이터 전처리를 통한 사용자 제스처 인식률 증가 방안

김준헌; 송병후; 신동렬

데이터 전처리를 통한 사용자 제스처 인식률 증가 방안
A study on the increase of user gesture recognition rate using data preprocessing 원문보기

김준헌 (성균관대학교 전기전자공학부) , 송병후 (성균관대학교 전기전자공학부) , 신동렬 (성균관대학교 전기전자공학부)

제스처 인식은 HCI(Human-Computer Interaction) 및 HRI(Human-Robot Interaction) 분야에서 활발히 연구되고 있는 기술이며, 제스처 데이터의 특징을 추출해내고 그에 따른 분류를 통하여 사용자의 제스처를 정확히 판별하는 것이 중요한 과제로 자리 잡았다. 본 논문에서는 EMG(Electromyography) 센서로 측정한 사용자의 손 제스처 데이터를 분석하는 방안에 대하여 서술한다. 수집된 데이터의 노이즈를 제거하고 데이터의 특징을 극대화시키기 위하여 연속적인 데이터로 변환하는 전처리 과정을 거쳐 이를 머신 러닝 알고리즘을 사용하여 분류하였다. 이 때, 기존의 raw 데이터와 전처리 과정을 거친 데이터의 성능을 decision-tree 알고리즘을 통하여 비교하였다.

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

문제 정의

본 논문에서는 머신 러닝을 통한 제스처 분류 과정에서 데이터 전처리를 통하여 제스처 인식률을 증가시키는 방법에 대하여 기술하였다. 센서로부터 발생되는 데이터의 특징을 극대화시키고 알고리즘의 특성에 맞게 샘플링 함으로써 제안한 프로세스를 적용하였을 때 인식률이 우수함을 보였다.
본 논문에서는 머신 러닝을 통한 제스처 분류 과정에서 발생하는 데이터를 전처리 과정을 통해 가공하여 인식률을 증가시키는 방안에 대하여 기술한다. 2장에서는 제스처 인식에 관한 관련 연구에 대해 소개한다.

제안 방법

스무딩 기법의 종류 중 하나인 이동 평균(moving average)은 주어진 데이터 전과 후의 일정 데이터를 주어진 데이터와 조합하여 새로운 데이터를 추정해내는 방법이다. 본 논문에서는 각 EMG 센서로부터 수집된 데이터의 50%를 각각 과거 데이터와 미래 데이터로 사용하고, 거기에 나머지 50%의 현재 데이터를 조합하는 방식을 사용한다. 이를 위하여, 수집된 데이터를 모두 양의 값으로 변환한 후 데이터를 변형하는 과정을 거쳐야 한다.
본 논문에서는, 결정 트리의 라벨(제스처의 종류)을 3개로 분류하여 실험을 진행하였다. 이때, 기존의 데이터 학습에는 동일한 크기의 데이터가 필요하므로 사용자가 제스처를 취하기 시작한 시점부터 약 0.
본 논문에서는, 결정 트리의 라벨(제스처의 종류)을 3개로 분류하여 실험을 진행하였다. 이때, 기존의 데이터 학습에는 동일한 크기의 데이터가 필요하므로 사용자가 제스처를 취하기 시작한 시점부터 약 0.3초간의 간격으로 데이터를 샘플링 하였다. 그림 4는 전처리 전후 데이터를 이용하여 결정 트리를 구현하였을 때 샘플 데이터의 트리 구조를 나타낸 것이다.
기존의 데이터로 구현한 트리 구조에 비해 데이터를 변형했을 때 트리 구조가 간단해지며 트리 레벨도 낮아지는 것을 확인할 수 있다. 이에 따라, 서로 다른 가지치기(Pruning) 과정을 거친 모델을 생성하여 두 모델 간의 정확성을 비교하였다.

대상 데이터

본 논문에서는 4개의 EMG 센서를 팔에 부착하여 사용자의 제스처 데이터를 수집하였다. 그림 1은 해당 제스처를 취했을 때의 각 EMG 센서의 변화를 나타낸 것이다.

이론/모형

그림 1은 해당 제스처를 취했을 때의 각 EMG 센서의 변화를 나타낸 것이다. 그림과 같이, 제스처 별로 활성화되는 근육의 위치나 크기가 달라지기 때문에 그 특징을 이용해 decision-tree 알고리즘을 사용하여 분류한다. 하지만, EMG 센서를 통하여 수집된 데이터는 근육 표면으로부터 측정된 데이터이기 때문에 노이즈가 심하며 제스처의 사용 여부에 따라 사용자가 제스처를 취할 때까지 소요되는 시간이 다르기 때문에 지도 학습법에 의한 모델링에 오차가 커진다는 단점이 있다.

성능/효과

그림 4는 전처리 전후 데이터를 이용하여 결정 트리를 구현하였을 때 샘플 데이터의 트리 구조를 나타낸 것이다. 기존의 데이터로 구현한 트리 구조에 비해 데이터를 변형했을 때 트리 구조가 간단해지며 트리 레벨도 낮아지는 것을 확인할 수 있다. 이에 따라, 서로 다른 가지치기(Pruning) 과정을 거친 모델을 생성하여 두 모델 간의 정확성을 비교하였다.
표 1은 decision-tree 알고리즘을 통하여 동일한 횟수의 제스처를 분류하였을 때의 인식률을 나타낸 것이다. 기존의 데이터를 곧바로 분류하였을 때에 비하여 인식률이 약 18.3% 증가하였으며, 95% 신뢰구간의 구간추정에서도 구간 폭이 약 0.031로 기존 데이터의 신뢰구간 폭인 0.053에 비해 좁기 때문에 모델의 신뢰도가 높다는 것을 알 수 있다.
본 논문에서는 머신 러닝을 통한 제스처 분류 과정에서 데이터 전처리를 통하여 제스처 인식률을 증가시키는 방법에 대하여 기술하였다. 센서로부터 발생되는 데이터의 특징을 극대화시키고 알고리즘의 특성에 맞게 샘플링 함으로써 제안한 프로세스를 적용하였을 때 인식률이 우수함을 보였다. 향후 연구로는, 생성되는 데이터를 실시간으로 반영하는 모델을 구현하여 인식률을 점진적으로 향상시키는 방안에 대해 연구할 것이다.

후속연구

센서로부터 발생되는 데이터의 특징을 극대화시키고 알고리즘의 특성에 맞게 샘플링 함으로써 제안한 프로세스를 적용하였을 때 인식률이 우수함을 보였다. 향후 연구로는, 생성되는 데이터를 실시간으로 반영하는 모델을 구현하여 인식률을 점진적으로 향상시키는 방안에 대해 연구할 것이다.

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

데이터 전처리를 통한 사용자 제스처 인식률 증가 방안
A study on the increase of user gesture recognition rate using data preprocessing 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

데이터 전처리를 통한 사용자 제스처 인식률 증가 방안 A study on the increase of user gesture recognition rate using data preprocessing 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

데이터 전처리를 통한 사용자 제스처 인식률 증가 방안
A study on the increase of user gesture recognition rate using data preprocessing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper