임호연, 정승은, 정치윤, & 정현태. (2020). 라이프로그 기반 일상생활 활동유형에 대한 탐색적 연구. 한국정보처리학회 학술대회논문집, 27(2), 761-764.
https://library.etri.re.kr/service/rsch/etri-article/down.htm?view=open&resultId=0000062797
본 논문은 데이터 제공 사이트에서 관련 논문으로 제시한 논문 중 하나로, 연구 방법과 결론을 간략하게 요약하여 공유드립니다.
이 연구에서는 실제 일상생활에서 수집한 라이프로그 데이터를 사용하여, 가속도 센서를 통해 수집된 데이터를 기반으로 행동을 인식하고, 이를 통해 사용자의 일상생활의 활동유형을 분석하였습니다. 여러분이 참여하고 있는 경진대회에서도 이와 유사한 방식으로 라이프로그 데이터를 활용하여 활동유형을 분석할 수 있습니다.
연구 방법
데이터 수집
50명의 성인남녀가 14일 동안 매일 12시간씩 온바디 IMU(Inertial Measurement Unit) 센서를 착용하고 라이프로그 데이터를 수집하였습니다.
사용된 센서는 Empatica E4 손목밴드와 4개의 metaMotion 센서(주사용 손목, 허리, 양발목)로, 9,866개의 레이블과 약 6,400시간 분량의 데이터를 분석했습니다.
데이터 전처리
두 센서(E4, metaMotion)의 데이터 주기 차이(32Hz와 20Hz)를 동기화하기 위해 선형 보간법을 사용하여 시간 동기화를 수행했습니다.
행동 인식
3축 가속도 데이터를 이용해 CNN 기반의 네트워크 모델로 행동을 인식하고, 앉기, 걷기, 서기, 눕기의 4가지 행동으로 분류했습니다.
하루 10시간 동안의 데이터를 10분 단위로 나누어 각 단위시간의 행동 비율을 정적-동적 활동으로 구분하여 특징 벡터로 표현했습니다.
활동유형 분석
스펙트럼 군집화(spectral clustering) 기법을 사용하여 특징 벡터를 6개의 클러스터로 분류했습니다.
Gap statistic 방법과 eigen gap 방법을 사용하여 최적의 클러스터 개수를 결정했습니다.
연구 결과
활동유형 분류
6개의 활동유형은 대부분의 실험일이 정적 활동이 우세한 유형(Inactive)으로 분류되었습니다. 이들 유형은 정적 활동이 많은 유형에서 동적 활동이 많은 유형으로 다양하게 분포되었습니다.
대표/사용자 활동유형
각 클러스터에 해당하는 대표 활동유형은 시간에 따른 누적 그래프로 나타내었으며, 정적 활동과 동적 활동의 비율 변화를 통해 활동 패턴을 시각화했습니다. 또한 개별 사용자의 활동유형을 레이더 차트로 나타내어, 사용자의 활동 패턴을 비교 분석했습니다.
결론 및 향후 연구
라이프로그 데이터를 통해 일상생활 활동유형을 분석하는 이 방법은 개인의 활동유형 및 생활주기를 파악하고 피드백하는 데 사용할 수 있습니다.
향후 연구에서는 3축 각속도 센서 데이터, 지자기 센서 데이터, 심박수 데이터, 위치 정보 등 다양한 라이프로그 데이터를 추가하여 다차원 분석을 시도할 수 있습니다.