사물 인터넷 센서 데이터 기반 정량화된 생활 패턴 인식 기술에 대한 연구

Abstract

첫 번째로, 웨어러블 디바이스를 이용한 행동 인식 관련 연구에서 k-최근접 이웃 분류 기법은 연산량이 많다는 문제가 있다. 따라서 소형화된 임베디드 기기에 탑재하기 어려운 부분이 존재했다. 이에 본 연구는 학습 데이터에 군집화 알고리즘을 적용하고 최대 우도에 기반하여 군집에 라벨을 부여하는 방식으로 이를 효과적으로 줄이는 방법을 제안하였다. 다양한 오인동작을 포함한 행동(휴식, 걷기, 뛰기)인식 실험에서 본 연구는 기존 k-최근접 이웃 분류 기법에 비해 약간의 정확도에 손실이 있었지만 소형화된 임베디드 기기에 탑재 가능한 수준의 효과적인 연산량에 도달할 수 있었다. 또한, 본 연구가 제안한 방법은 알고리즘 탑재를 위한 임베디드 기기의 성능에 따라 그 연산량을 조절할 수 있다는 장점이 있다.

두 번째로, 심탄도 신호의 측정은 비간섭적인 방법으로 사람의 심박, 호흡, 움직임 등을 측정할 수 있는 방법이다. 이러한 심탄도 신호 기술은 우리에게 다양한 이점을 제공한다. 우리는 수면을 포함한 침대에서의 휴식기 상태에서 심탄도 신호에서 분당 심박 수와 심박 변이도를 산출하기 위해 심박의 위치를 검출하는 새로운 알고리즘을 제안한다. 우리가 제안한 알고리즘은 심탄도 신호에서 각 심박의 위치를 부각시키기 위해 효과적인 이동 산포도 산출 방법과 자동으로 다음 심박의 위치를 예상하여 심박 검출 영역을 설정 할 수 있는 적응적 심박 첨두치 검출 방법으로 구성되어 있다. 제안하는 방법을 평가하기 위해 다른 알고리즘들과 비교하였으며 그 기준으로 심전도를 참조하였다. 제안한 알고리즘은 다른 알고리즘들에 비해 다양한 심박 간격을 가지는 신호에서 보다 안정적으로 심박을 검출하였다. 우리의 알고리즘은 분당 심박 수에 대해 상대적인 상대 정확도 98.29%와 RMSE오차 1.83 bpm을, 심박 변이도에 대해 커버리지 97.63%와 상대 정확도 94.36%를 달성하였다.