스마트폰 다종 데이터를 활용한 딥러닝 기반의 사용자 동행 상태 인식

김길호; 최상우; 채문정; 박희웅; 이재홍; 박종헌

추천

검색

질문

자료유형: 학술저널

저자정보: 김길호 (수아랩) 최상우 (쿠팡) 채문정 (서울대학교) 박희웅 (서울대학교) 이재홍 (카카오모빌리티) 박종헌 (서울대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제25권 제1호

발행연도: 2019.3

수록면: 163 - 177 (15page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2019

스마트폰 다종 데이터를 활용한 딥러닝 기반의 사용자 동행 상태 인식

김길호 , 최상우 , 채문정 외 3명 지능정보연구 2019.03 학술저널

2016

스마트폰의 다종 데이터를 활용한 사용자의 동행 상태 인식

김길호 산업공학과 2016.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

스마트폰이 널리 보급되고 현대인들의 생활 속에 깊이 자리 잡으면서, 스마트폰에서 수집된 다종 데이터를 바탕으로 사용자 개인의 행동을 인식하고자 하는 연구가 활발히 진행되고 있다. 그러나 타인과의 상호작용 행동 인식에 대한 연구는 아직까지 상대적으로 미진하였다. 기존 상호작용 행동 인식 연구에서는 오디오, 블루투스, 와이파이 등의 데이터를 사용하였으나, 이들은 사용자 사생활 침해 가능성이 높으며 단시간 내에 충분한 양의 데이터를 수집하기 어렵다는 한계가 있다. 반면 가속도, 자기장, 자이로스코프 등의 물리 센서의 경우 사생활 침해 가능성이 낮으며 단시간 내에 충분한 양의 데이터를 수집할 수 있다. 본 연구에서는 이러한 점에 주목하여, 스마트폰 상의 다종 물리 센서 데이터만을 활용, 딥러닝 모델에 기반을 둔 사용자의 동행 상태 인식 방법론을 제안한다. 사용자의 동행 여부 및 대화 여부를 분류하는 동행 상태 분류 모델은 컨볼루션 신경망과 장단기기억 순환 신경망이 혼합된 구조를 지닌다. 먼저 스마트폰의 다종 물리 센서에서 수집한 데이터에 존재하는 타임 스태프의 차이를 상쇄하고, 정규화를 수행하여 시간에 따른 시퀀스 데이터 형태로 변환함으로써 동행 상태분류 모델의 입력 데이터를 생성한다. 이는 컨볼루션 신경망에 입력되며, 데이터의 시간적 국부 의존성이 반영된 요인 지도를 출력한다. 장단기 기억 순환 신경망은 요인 지도를 입력받아 시간에 따른 순차적 연관 관계를 학습하며, 동행 상태 분류를 위한 요인을 추출하고 소프트맥스 분류기에서 이에 기반한 최종적인 분류를 수행한다. 자체 제작한 스마트폰 애플리케이션을 배포하여 실험 데이터를 수집하였으며, 이를 활용하여 제안한 방법론을 평가하였다. 최적의 파라미터를 설정하여 동행 상태 분류 모델을 학습하고 평가한 결과, 동행 여부와 대화 여부를 각각 98.74%, 98.83%의 높은 정확도로 분류하였다.

As smartphones are getting widely used, human activity recognition (HAR) tasks for recognizing personal activities of smartphone users with multimodal data have been actively studied recently. The research area is expanding from the recognition of the simple body movement of an individual user to the recognition of low-level behavior and high-level behavior. However, HAR tasks for recognizing interaction behavior with other people, such as whether the user is accompanying or communicating with someone else, have gotten less attention so far. And previous research for recognizing interaction behavior has usually depended on audio, Bluetooth, and Wi-Fi sensors, which are vulnerable to privacy issues and require much time to collect enough data. Whereas physical sensors including accelerometer, magnetic field and gyroscope sensors are less vulnerable to privacy issues and can collect a large amount of data within a short time. In this paper, a method for detecting accompanying status based on deep learning model by only using multimodal physical sensor data, such as an accelerometer, magnetic field and gyroscope, was proposed. The accompanying status was defined as a redefinition of a part of the user interaction behavior, including whether the user is accompanying with an acquaintance at a close distance and the user is actively communicating with the acquaintance. A framework based on convolutional neural networks (CNN) and long short-term memory (LSTM) recurrent networks for classifying accompanying and conversation was proposed.
First, a data preprocessing method which consists of time synchronization of multimodal data from different physical sensors, data normalization and sequence data generation was introduced. We applied the nearest interpolation to synchronize the time of collected data from different sensors. Normalization was performed for each x, y, z axis value of the sensor data, and the sequence data was generated according to the sliding window method. Then, the sequence data became the input for CNN, where feature maps representing local dependencies of the original sequence are extracted. The CNN consisted of 3 convolutional layers and did not have a pooling layer to maintain the temporal information of the sequence data. Next, LSTM recurrent networks received the feature maps, learned long-term dependencies from them and extracted features. The LSTM recurrent networks consisted of two layers, each with 128 cells. Finally, the extracted features were used for classification by softmax classifier. The loss function of the model was cross entropy function and the weights of the model were randomly initialized on a normal distribution with an average of 0 and a standard deviation of 0.1. The model was trained using adaptive moment estimation (ADAM) optimization algorithm and the mini batch size was set to 128. We applied dropout to input values of the LSTM recurrent networks to prevent overfitting. The initial learning rate was set to 0.001, and it decreased exponentially by 0.99 at the end of each epoch training.
An Android smartphone application was developed and released to collect data. We collected smartphone data for a total of 18 subjects. Using the data, the model classified accompanying and conversation by 98.74% and 98.83% accuracy each. Both the F1 score and accuracy of the model were higher than the F1 score and accuracy of the majority vote classifier, support vector machine, and deep recurrent neural network. In the future research, we will focus on more rigorous multimodal sensor data synchronization methods that minimize the time stamp differences. In addition, we will further study transfer learning method that enables transfer of trained models tailored to the training data to the evaluation data that follows a different distribution. It is expected that a model capable of exhibiting robust recognition performance against changes in data that is not considered in the model learning stage will be obtained.

#사용자 행동 인식 #그룹 상호작용 #스마트폰 물리 센서 #컨볼루션 신경망 #장단기 기억 순환 신경망 #human activity recognition #group interaction #smartphone multimodal sensors #convolutional neural network #long short-term memory recurrent network

참고문헌 (22)

참고문헌 신청

Alex, K., I. Sutskever, and G. E. Hinton, Imagenet classification with deep convolutional neural networks, Proceedings of neural information processing systems, (2012), 1097~1105.

Chen, Y., K. Zhong, J. Zhang, Q. Sun, and X. Zhao, LSTM Networks for Mobile Human Activity Recognition, Proceedings of International Conference on Artificial Intelligence: Technologies and Applications, (2016), 50~53.

Davide, F, P. C. Diniz, D. R. Ferreira, and J. M. Cardoso, Preprocessing techniques for context recognition from accelerometer data, Personal and Ubiquitous Computing, Vol. 14, No. 7(2010), 645~662.

Enrique, G., V. Osmani, A. Maxhuni, and O. Mayora, Detecting Walking in Synchrony Through Smartphone Accelerometer and Wi-Fi Traces, Proceedings of AmI 2014: Ambient Intelligence, (2014), 33~46.

Frank, S., G. Li, X. Chen, and D. Yu, Feature engineering in context-dependent deep neural networks for conversational speech transcription, Proceedings of IEEE Workshop Automatic Speech Recognition and Understanding, (2011), 24~29.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김길호

소속기관 수아랩

주요연구분야 공학 > 산업공학

논문수 1 이용수 230

최상우

소속기관 쿠팡

주요연구분야 공학 > 산업공학

논문수 1 이용수 230

채문정

소속기관 서울대학교

주요연구분야 공학 > 산업공학 공학 > 컴퓨터학

논문수 16 이용수 1,039

박희웅

소속기관 서울대학교

주요연구분야 공학 > 산업공학 공학 > 컴퓨터학

논문수 10 이용수 762

이재홍

소속기관 서울대학교

주요연구분야 사회과학 > 경영학 사회과학 > 경제학

논문수 29 이용수 2,751

박종헌

소속기관 서울대학교

주요연구분야 사회과학 > 경영학 사회과학 > 사회학 > 사회복지학

논문수 92 이용수 6,136

이 논문과 함께 이용한 논문

다중모드 센서와 LSTM 기반의 딥 러닝을 이용한 인간의 행동인식 시스템

신수연 , 차주헌 대한기계학회 논문집 A권 2018 .02

타원형 다단 딥드로잉 제품의 성형성 향상을 위한 초기 블랭크 형상 연구

이사랑 , 박상민 , 김호진 외 2명 한국소성가공학회 학술대회 논문집 2016 .04

스마트폰 가속도 센서를 이용한 사용자 인증 방법 연구

서준석 , 문종섭 정보보호학회논문지 2015 .12

스마트폰 가속도 센서를 이용한 모션 제스쳐 프레임워크의 설계 및 구현

이기문 , 이신영 , 김종현 한국컴퓨터정보학회 학술발표논문집 2012 .07

스마트폰 환경에서 가속도 벡터의 성분과 방향센서를 활용한 넘어지는 방향 측정

이우식 , 송특섭 , Jong-Hoon Youn 멀티미디어학회논문지 2015 .04

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2019-003-000532967

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (22)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)