지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이상민
- 발행연도
- 2022
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수22
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
사용자 행동 인식(HAR: human activity recognition)이란 다양한 센서를 이용하여 사람의 행동 패턴 정보를 수집하고 해석하여 행동을 인식하는 기술이다. 최근 행동 인식 연구를 기반으로 비상상황 감지 및 건강관리 등 다양한 분야에서 활발한 연구가 진행 되고 있다.
사용자의 행동 데이터를 수집하는 방법으로는 웨어러블 디바이스에 내장되어 있는 가속도, 자이로스코프 등의 물리적인 센서를 사용자에게 부착하거나 소지하여 데이터를 수집하는 방법과 카메라를 활용하여 실시간으로 영상을 확인하거나 녹화 영상으로 데이터를 수집하는 방법이 있다.
본 논문에서는 웨어러블 센서에 내장되어있는 가속도, 자이로스코프, 자력계 센서(x, y, z)와 심전도(ECG:electrocardiogram)센서에서 수집한 데이터를 기반으로 사용자의 행동을 인식할 수 있는 효율적인 알고리즘과 전처리를 제안한다. 웨어러블 센서를 활용한 사용자 행동 인식 연구는 몇 가지 장점이 있다. 예를 들어 원하는 신체 부위에 센서를 착용하여 보다 정확한 데이터 수집이 가능하고 영상기반 행동 인식보다 데이터의 크기가 작다. 제안하는 데이터 전처리 기법은 데이터 정규화와 슬라이딩 윈도우를 사용하였으며 이후, rolling, time warping을 적용하여 데이터를 확장시켰다. 제안한 알고리즘은 WaveNet을 사용하였다. WaveNet 알고리즘은 확장된 인과적 합성곱(dilated causal convolution)으로 인하여 적은 층의 수로 넓은 수용영역(receptive field)을 확보할 수 있고 연산량을 증가시키지 않으면서 입력 데이터를 보존 하는 장점을 가지고 있다.
제안하는 전처리 및 WaveNet 알고리즘 성능 평가를 위해 총 13가지 동작이 포함되어 있는 MHEALTH 공개 데이터 셋을 이용하여 사용자의 행동을 인식하였다. 그 결과 제안하는 알고리즘의 성능은 96.76%의 인식률을 보였으며, 동일한 데이터를 사용한 기존 연구보다 우수한 성능을 확인하였다.
사용자의 행동 데이터를 수집하는 방법으로는 웨어러블 디바이스에 내장되어 있는 가속도, 자이로스코프 등의 물리적인 센서를 사용자에게 부착하거나 소지하여 데이터를 수집하는 방법과 카메라를 활용하여 실시간으로 영상을 확인하거나 녹화 영상으로 데이터를 수집하는 방법이 있다.
본 논문에서는 웨어러블 센서에 내장되어있는 가속도, 자이로스코프, 자력계 센서(x, y, z)와 심전도(ECG:electrocardiogram)센서에서 수집한 데이터를 기반으로 사용자의 행동을 인식할 수 있는 효율적인 알고리즘과 전처리를 제안한다. 웨어러블 센서를 활용한 사용자 행동 인식 연구는 몇 가지 장점이 있다. 예를 들어 원하는 신체 부위에 센서를 착용하여 보다 정확한 데이터 수집이 가능하고 영상기반 행동 인식보다 데이터의 크기가 작다. 제안하는 데이터 전처리 기법은 데이터 정규화와 슬라이딩 윈도우를 사용하였으며 이후, rolling, time warping을 적용하여 데이터를 확장시켰다. 제안한 알고리즘은 WaveNet을 사용하였다. WaveNet 알고리즘은 확장된 인과적 합성곱(dilated causal convolution)으로 인하여 적은 층의 수로 넓은 수용영역(receptive field)을 확보할 수 있고 연산량을 증가시키지 않으면서 입력 데이터를 보존 하는 장점을 가지고 있다.
제안하는 전처리 및 WaveNet 알고리즘 성능 평가를 위해 총 13가지 동작이 포함되어 있는 MHEALTH 공개 데이터 셋을 이용하여 사용자의 행동을 인식하였다. 그 결과 제안하는 알고리즘의 성능은 96.76%의 인식률을 보였으며, 동일한 데이터를 사용한 기존 연구보다 우수한 성능을 확인하였다.
목차
제 1 장 서론 1제 2 장 관련 연구 3제 3 장 본론 63.1 인공 신경망 훈련 63.2 CNN(convolutional neural networks) 73.3 WaveNet 알고리즘 93.3.1 인과적 합성곱(causal convolutional) 103.3.2 확장된 합성곱(dilated convolution) 123.3.3 확장된 인과적 합성곱(dilated causal convolution) 143.3.4 양방향 확장된 인과적 합성곱(bi-directional dilated causal convolution) 153.3.5 확장된 인과적 블록(dilated causal convolution block) 173.4 제안하는 데이터 전처리 기법 193.5 제안하는 모델 22제 4장 실험 244.1 실험 데이터 244.2 실험 방법 및 결과 분석 26제 5장 결론 32참고 문헌 34
최근 본 자료
댓글(0)
0