스마트폰 멀티모달 센서 기반 개인화 행위모델링 및 실시간 행위인지 (Personalized Activity Modeling and Real-time Activity Recognition based on Smartphone Multimodal Sensors)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 : 소프트웨어 및 응용 / 40권 / 6호 / 332 ~ 341페이지
· 저자명 : 한만형, 이승룡

초록

스마트폰과 같은 모바일 기기의 발전으로 인해 다양한 센서를 통해 사용자의 의도나 요구사항을 인지하고자 하는 행위인지가 활발히 연구되고 있다. 기존의 행위인지 기술은 행위 데이터의 수집과 처리가 분리되어 있어 멀티모달 센서로부터 수집한 방대한 양의 데이터를 오프라인에서 모델링과 인지가 수행되므로 특정 사용자에 개인화된 행위인지가 어렵고, 사용자가 직접 자신의 특정행위를 추가하거나 스스로 행위모델을 만들 수 있는 프레임워크의 부재로 개인화된 라이프로그의 수집이 어렵다는 한계가 있다. 본 논문에서는 스마트폰에서 개인화된 행위 모델링 및 실시간 행위인지를 위해, Naive Bayes 알고리즘을 확장한 적응형 Naive Bayes(A-NB) 알고리즘과 이를 기반으로 한 계층적 행위인지 프레임워크(HARF)를 제안한다. 이를 통해 스마트폰 환경에서 사용자가 스스로 자신의 행위를 모델링하거나 추가할 수 있으며, Naive Bayes에 비해 높은 정확도와 모바일 환경에서 실시간 행위인지가 가능하다. 제안 알고리즘의 평가를 위해 스마트폰 어플리케이션을 개발하여 15개의 행위를 실험하였으며 평균 92.96%의 높은 정확도를 보였다.

영어초록

Activity recognition for the purposes of recognizing a user’s intentions using multimodal sensors is becoming a widely researched topic largely based on the prevalence of the smartphone. Previous studies have reported the difficulty in recognizing personalized activities of individual users given that the collection and processing of the vast amount of activity data from multimodal sensors are separated and performed on off-line. In addition, recognizing personalized life-logs is difficult due to the absence of a framework which enables the addition of activities by the user themselves. In this paper, we propose an adaptive Naive Bayes (A-NB) algorithm and hierarchical activity recognition framework (HARF) which extends the Naive Bayes approach in an effort to personalizes the process of activity modeling & real-time activity recognition. Based on this approach, the users can add or model their own activities by themselves with a smartphone. The proposed algorithm demonstrates relatively higher accuracy than the Naive Bayes approach and also enables the recognition of the user’s activities in a mobile environment. For the purposes of evaluation, we have developed a smartphone application. Based on this platform, the experimental results demonstrate that the proposed algorithm has the ability to classify fifteen activities with an average accuracy of 92.96%.

참고자료

· 없음