인체치수데이터를 활용한 체지방율 분석 모델 설계 및 구현 = Design and Implementation of Body Fat Percentage Analysis Model using Human Body Size Data

국문 초록 (Abstract)

최근 헬스케어(healthcare) 분야에서 기계학습을 적용한 다양한 사례가 증가하고 있다. 스마트 워치와 같은 웨어러블(wearable) 장치를 통해 심전도 검사, 체성분 분석 등의 기능을 제공하고 있으며 이러한 기능에 딥러닝 기술이 적용되고 있다. 이를 통해 합리적인 의사 결정과 표준화된 프로세스를 도출하여 개인에게 맞는 헬스케어 서비스 구축과 연구에 활용되고 있다.
이러한 딥러닝 기술 활용에 있어서 데이터 확보가 무엇보다 중요하다. 기존에 있는 진료 기록이나 의료보험 정보뿐만 아니라 정부에서 공개하고 있는 공공데이터, 소셜 미디어 데이터, 유전자 데이터 등 다양한 경로로 수집된 데이터를 활용하고 있다. 이 데이터를 모델에 적용하기 위해서는 데이터를 분류하는 작업 등 사람의 개입이 필요하다.
본 논문에서는 가슴둘레나 허리둘레 등 인체 치수를 입력으로 받아 성별과 나이에 따른 군집 별로 평균 체지방율을 분류하는 모델을 제안한다. 데이터는 국가기술표준원에서 제공하고 있는 인체치수데이터를 활용하였고 이 데이터는 분류 모델에 적용하기 어려운 데이터이므로 군집 알고리즘을 적용한 데이터로 변환하였다. 군집화가 완료된 데이터를 이용하여 CNN(Convolutional Neural Network) 모델에 적용하여 분류를 진행한다. 이를 통해 개인 맞춤형 체형관리 서비스나 비만 분석 등 다양한 응용 사례에 활용될 수 있을 것으로 사료된다.

다국어 초록 (Multilingual Abstract)

Recently, various cases of applying machine learning in the healthcare field are increasing. Functions such as electrocardiogram and body composition analysis are provided through wearable devices such as smart watches, and deep learning technology is applied to these functions. Through this, rational decision-making and standardized processes are derived, which is being used in research and construction of healthcare services tailored to individuals.
In the application of deep learning technology, securing data is paramount importance. In addition to existing medical records and medical insurance information, data collected through various channels such as public data, social media data, and genetic data discolosed by the government are being utilized. In order to apply this data to the model, human intervention is required, such as classifying to data.
In this paper, we propose a model that classifying the average body fat percentage by group according to gender and age by receiving human body size data such as chest circumference and waist circumference as input. For the data, the human body size data provided by National Institute of Technology and Standards was used, and since this data is difficult to apply to the classification model, it was converted into data to which a clustering algorithm was applied. Classification is performed by applying to a CNN(Convolutional Neural Network) model. Through this, it is thought that it can be utilized in various application cases such as personalized body shape management service and obesity analysis.

목차 (Table of Contents)

• 국문초록 iv
• 목 차 vi
• 그림목차 viii
• 도표목차 x
• I. 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구내용 및 범위 2
• 1.3 논문의 구성 3
• Ⅱ. 관련 연구 4
• 2.1 인체치수데이터 4
• 2.1.1 제6~7차 인체치수데이터 현황 4
• 2.1.2 제8차 인체치수데이터 현황 5
• 2.1.3 인체치수데이터의 측정 항목 6
• 2.1.4 인체치수데이터를 활용한 관련 연구 8
• 2.2 지도학습과 비지도학습 9
• 2.2.1 지도학습과 CNN 분류 9
• 2.2.2 비지도학습과 K-means 군집 분석 15
• Ⅲ. 학습 데이터 전처리와 모델 설계 17
• 3.1 인체치수데이터 분석과 데이터 전처리 19
• 3.1.1 9개 항목 선정 19
• 3.1.2 결측값 제거 및 훈련과 검증 데이터셋 분할 25
• 3.1.3 표준화 진행 26
• 3.2 K-means를 활용한 데이터 전처리 28
• 3.3 CNN 분류 모델 설계 32
• Ⅳ. 모델 학습 36
• 4.1 모델 하이퍼파라미터 설정 36
• 4.2 성능 지표 37
• 4.3 학습 결과 39
• 4.4 추론과 구현 결과 47
• 4.5 고찰 52
• Ⅴ. 결 론 53
• 참고문헌 54
• 영문초록 57
• 감사의 글(Acknowledgement) 59