CNN 기반 사용자 행동 인지

국문 초록 (Abstract)

4차 산업혁명의 시대에 접어들면서 IoT 분야와 인공지능 분야가 산업 전반과 인류의 삶에 거대한 발전을 가져올 것으로 예측한다. 특히 IoT 센서가 수집한 빅데이터를 통해 딥러닝이 발전하고 기존의 인공지능 기술들 보다 앞서고 있다.
IoT 기술이 발전함에 따라 사용자의 상황 인지 연구가 각광을 받고 있다. 하지만 사용자의 복잡한 상황을 이해하기 위해서는 사람의 기초적인 행동인 서기, 걷기, 뛰기와 같은 기본적인 행동에 대한 이해가 필요하다. 이런 행동을 이해하기 위해서 다양한 센서를 기반으로 사용자의 행동을 인식하기 위한 연구가 많이 이루어지고 있다. 대표적으로 Google Activity Recognition이 있으나 ‘기울어짐’과 ‘알 수 없음’이라는 행동으로 인식하는 경우가 많아 성능이 좋지 않음을 확인할 수 있었다.
본 연구에서는 3축 가속도 데이터만을 딥러닝 기술로 학습하여 사용자의 기본적인 행동인 걷기, 뛰기, 서기의 행동을 구분하고자 한다. 안드로이드 어플리케이션을 개발하여 사용자의 행동의 근간이 되는 3축 가속도 데이터를 수집하고 구글의 오픈 소스 라이브러리인 텐서플로우를 사용하여 사용자의 행동을 구분하는 딥러닝 프로그램을 개발하였다.

다국어 초록 (Multilingual Abstract)

Enter the era of the fourth industrial revolution, predict that the IoT field and artificial intelligence field will bring huge development in the industry as a whole and in the life of mankind. Especially deep learning has developed using the big data collected by IoT sensor, and it is ahead of existing artificial intelligence technology.
As IoT technology develops, studies are taking the spotlight as to whether it is the situation of users. However, in order to understand the complicated situation of the user, it is necessary to understand fundamental actions such as a person's basic behavior such as secretary, walking, and operation. To understand such behaviors, there are many researches for recognizing user's behavior based on various sensors. Typically there is Google Activity Recognition, but in many cases it is recognized as "tilt" and "unknown" behavior, and we can confirm that the performance is not good.
In this research, we try to distinguish behaviors of walking, operation, secretary, which is the basic behavior of the user, by learning only three axis acceleration data with deep learning technology. Develop Android application, collect 3 axis acceleration data which is the backbone of user 's behavior, use deep learning program to distinguish user' s behavior using Tensor flow which is Google 's open source library developed

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 2 장 관련 연구 7
• 2.1 Feature-based 행동 인식 기술로서 random forest 기반의 행동 인식 기술에 대한 리뷰 7
• 2.2 딥러닝을 이용한 사용자 행동 인식 연구 9
• 제 3 장 실험 데이터 및 실험 모델 12
• 3.1 3축 가속도 데이터 수집 13
• 3.2 Vector Magnitude 15
• 3.3 딥러닝 모델 구성 17
• 3.4 딥러닝 기반의 행동 인식 기술을 위한 네트워크 패러미터 및 훈련 방법 20
• 제 4 장 실험 및 실험 결과 분석 21
• 4.1 Google API 기반 사용자 행동 인식 21
• 4.2 Random Forest와 딥러닝 사용자 행동 인식을 위한 데이터 22
• 4.3 Random Forest를 활용한 사용자 행동 인식 23
• 4.4 딥러닝을 활용한 사용자 행동 인식 26
• 4.5 Random Forest와 딥러닝 모델 분석 28
• 제 5 장 결론 30
• 참고 문헌 31
• Abstract 35