군집 경계 거리 기반 Particle Swarm Optimization을 이용한 휴먼 행동 인식

국문 초록 (Abstract)

본 논문에서는 휴먼 행동 인식에 있어 수집 데이터의 특성에 따라 기존 PSO (Particle Swarm Optimization) 알고리즘의 경계선 부분에서 발생되는 문제을 군집들 사이의 거리를 기반으로 개선하는 알고리즘을 제안한다. PSO를 이용한 휴먼 행동 인식 방법은 입력 데이터를 경계값과 비교하여 인식하므로 상으로 빠르고 간단한 방 법이다. 하지만, 착용형 장치와 센서를 이용하는 휴먼 행동 인식에서와 같이 데이터 수집 환경의 변화에 따라 데이 터 특성의 변화가 심하여 학습 데이터와 테스트 데이터 사이의 차이가 생기는 경우 경계값 내에 포함되지 못하는 입 력 데이터들로 인해 성능이 하된다. 이를 해결하기 해 본 논문에서는 경계를 벗어나는 입력 데이터에 해 입력 데이터와 각 군집들의 경계와의 거리를 이용하여 행동 인식 성능을 개선한다. 실험 결과 앉기, 서기, 그리고 걷기와 같은 3 가지 휴먼 행동에 해 SVM (Support Vector Machine) MLP (Multi-Layer Perceptron)과 기존 PSO와 비교하여 최 약 18%의 인식 성능 개선을 가져오는 것을 확인하다.

다국어 초록 (Multilingual Abstract)

This paper proposes a modified PSO (Particle Swarm Optimization) algorithm for human activity recognition, which employs distance between boundaries to solve a problem arisen from the boundaries of the existing PSO algorithm. This problem generally caused by inhomogeneous characteristics of the collected human activity data in daily life. Human activity recognition algorithm based on PSO is simple and fast since it classifies input data by comparing boundaries only. However, changes of data collection environment for human activity recognition using wearable and sensor devices cause changes in characteristics of input data, and this results in increase of input data outside of boundaries and decrease of classification performance according to different characteristics between training data and test data. In order to solve this problem, this paper increases performance by correcting boundaries of clusters using the distance between input data and every clusters for input data outside of every boundaries. Experimental results show that the proposed method demonstrates maximum 18% better performance comparing with SVM (Support Vector Machine), MLP (Muti-Layer Perceptron) and the existing PSO respectively for 3 human activities such as sitting, standing, and walking.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. PSO 알고리즘
• 3. 군집 경계 거리 기반 분류 방밥
• 3.1 군집의 경계 생성
• 3.2 특징 가지치기
• 3.3 군집 경계 거리 기반 군집 분류
• 4. 실험결과
• 4.1 휴먼 행동 데이터 수집
• 4.2 행동 분류를 위한 특징
• 4.3 행동 분류 실험
• 5. 결론
• 참고문헌

참고문헌 (Reference)

• 1 배창석, "퍼스널 라이프로그 기반 생활 패턴의 일상 여부에 대한 분류" 한국차세대컴퓨팅학회 7 (7): 20-29, 2011
• 2 허성욱, "스마트폰 환경에서의 사용자 행동기록을 위한 수집주기 최적화" 한국차세대컴퓨팅학회 8 (8): 21-31, 2012
• 3 허성욱, "사용자 행동인식을위한 적응적 경계 보정기반 Particle SwarmOptimization 알고리즘" 1166-1169, 2012
• 4 이명규, "개인 맞춤형 헬스케어 서비스를 위한 선택적 라이프로그 관리기법" 한국차세대컴퓨팅학회 10 (10): 14-21, 2014
• 5 E. K. Choe, "Understanding Quantified-Selfers’ Practices in Collecting and Exploring Personal Data" CHI 2014
• 6 S. L. Lau, "Supporting Patient Monitoring Using Activity Recognition with a Smartphone" 810-814, 2010
• 7 R. Jafari, "Physical Activity Monitoring or Assisted Living at Home" 213-219, 2007
• 8 X. Hui, "Particle Swarm Optimization: Tutorial"
• 9 권용진, "Particle Swarm Optimization Using Adaptive Boundary Correction for Human Activity Recognition" 한국인터넷정보학회 8 (8): 2070-2086, 2014
• 10 J. Kennedy, "Particle Swarm Optimization" 1942-1948, 1995
• 11 Jim Gemmell, "MyLifeBits: Fulfilling the Memex Vision" 235-238, 2002
• 12 Katsuhiro Takata, "Modeling and Analyzing Individual’s Daily Activities using Lifelog" 503-510, 2008
• 13 Kiyoharu Aizawa, "Digitizing Personal Experiences: Capture and Retrieval of Life Log" 10-15, 2005
• 14 J. Parkka, "Activity Classification Using Realistic Data From Wearables Sensors" 119-128, 2006
• 15 C. Bae, "A new simplified Swarm Optimization (SSO) Using Exchange Local Search Scheme" 8 (8): 1-11, 2012
• 16 Y. Shi, "A Modified Particle Swarm Optimizer" 69-73, 1998