사물 인터넷 센서 데이터 기반 정량화된 생활 패턴 인식 기술에 대한 연구
A Research on The Quantified Lifestyle Pattern Recognition based on The IoT Sensor Data
- 주제(키워드) Qauntified Self , Internet of Things , Human Activity Recognition , Ballistocardiography Signal
- 발행기관 아주대학교
- 지도교수 조위덕
- 발행년도 2019
- 학위수여년월 2019. 8
- 학위명 박사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000029174
- 본문언어 영어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Firstly, Recent research on activity recognition in wearable devices has identified a key challenge: k-nearest neighbors (k-NN) algorithms have a high operational time complexity. Thus, these algorithms are difficult to utilize in embedded wearable devices. Herein, we propose a method for reducing this complexity. We apply a clustering algorithm for learning data and assign labels to each cluster according to the maximum likelihood. Experimental results show that the proposed method achieves effective operational levels for implementation in embedded devices; however, the accuracy is slightly lower than that of a traditional k-NN algorithm. Additionally, our method provides the advantage of controlling the computational burden, depending on the performance of the embedded device on which the algorithm is implemented. Secondly, Ballistocardiography (BCG) enables the recording of heartbeat, respiration, and body movement data from an unconscious human subject. In this paper, we propose a new heartbeat detection algorithm for calculating heart rate (HR) and heart rate variability (HRV) from the BCG signal. The proposed algorithm consists of a moving dispersion calculation method to effectively highlight the respective heartbeat locations and an adaptive heartbeat peak detection method that can set a heartbeat detection window by automatically predicting the next heartbeat location. To evaluate the proposed algorithm, we compared it with other reference algorithms using a filter, waveform analysis and envelope calculation of signal by setting the ECG lead I as the gold standard. The heartbeat detection in BCG should be able to measure sensitively in the regions for lower and higher HR. However, previous detection algorithms are optimized mainly in the region of HR range (60~90 bpm) without considering the HR range of lower (40~60 bpm) and higher (90~110 bpm) HR. Therefore, we proposed an improved method in wide HR range that 40~110 bpm. The proposed algorithm detected the heartbeat greater stability in varying and wider heartbeat intervals as comparing with other previous algorithms. Our proposed algorithm achieved a relative accuracy of 98.29% with a root mean square error (RMSE) of 1.83 bpm for HR, as well as coverage of 97.63% and relative accuracy of 94.36% for HRV. And we obtained the root mean square (RMS) value of 1.67 for separated ranges in HR.
more초록/요약
첫 번째로, 웨어러블 디바이스를 이용한 행동 인식 관련 연구에서 k-최근접 이웃 분류 기법은 연산량이 많다는 문제가 있다. 따라서 소형화된 임베디드 기기에 탑재하기 어려운 부분이 존재했다. 이에 본 연구는 학습 데이터에 군집화 알고리즘을 적용하고 최대 우도에 기반하여 군집에 라벨을 부여하는 방식으로 이를 효과적으로 줄이는 방법을 제안하였다. 다양한 오인동작을 포함한 행동(휴식, 걷기, 뛰기)인식 실험에서 본 연구는 기존 k-최근접 이웃 분류 기법에 비해 약간의 정확도에 손실이 있었지만 소형화된 임베디드 기기에 탑재 가능한 수준의 효과적인 연산량에 도달할 수 있었다. 또한, 본 연구가 제안한 방법은 알고리즘 탑재를 위한 임베디드 기기의 성능에 따라 그 연산량을 조절할 수 있다는 장점이 있다. 두 번째로, 심탄도 신호의 측정은 비간섭적인 방법으로 사람의 심박, 호흡, 움직임 등을 측정할 수 있는 방법이다. 이러한 심탄도 신호 기술은 우리에게 다양한 이점을 제공한다. 우리는 수면을 포함한 침대에서의 휴식기 상태에서 심탄도 신호에서 분당 심박 수와 심박 변이도를 산출하기 위해 심박의 위치를 검출하는 새로운 알고리즘을 제안한다. 우리가 제안한 알고리즘은 심탄도 신호에서 각 심박의 위치를 부각시키기 위해 효과적인 이동 산포도 산출 방법과 자동으로 다음 심박의 위치를 예상하여 심박 검출 영역을 설정 할 수 있는 적응적 심박 첨두치 검출 방법으로 구성되어 있다. 제안하는 방법을 평가하기 위해 다른 알고리즘들과 비교하였으며 그 기준으로 심전도를 참조하였다. 제안한 알고리즘은 다른 알고리즘들에 비해 다양한 심박 간격을 가지는 신호에서 보다 안정적으로 심박을 검출하였다. 우리의 알고리즘은 분당 심박 수에 대해 상대적인 상대 정확도 98.29%와 RMSE오차 1.83 bpm을, 심박 변이도에 대해 커버리지 97.63%와 상대 정확도 94.36%를 달성하였다.
more목차
Contents
Abstract i
List of Figures v
List of Tables vii
Ⅰ. Introduction 1
A. Purpose of the research 1
B. Research Area 4
1. Quantified Self 4
2. Artificial Intelligence 11
C. Problem Statement 15
1. Human Activity Recognition on Wearable Device 15
2. Unconscious Heartbeat Detection on Smart Bed 16
D. Proposal of The Thesis 20
1. Human Activity Recognition on Wearable Device 20
2. Unconscious Heartbeat Detection on Smart Bed 23
Ⅱ. Human Activity Recognition on Wearable Device 25
A. Related Works 25
B. Reduced k-NN Algorithm 30
1. Feature Extraction 30
2. Extracting Centroid using k-Means Clustering 33
3. Assigning Label by Maximum Likelihood (ML) 37
4. K-nearest neighbors (k-NN) Classification 39
C. Performance Evaluation 41
1. Experimental Scenario 41
2. Performance Metrics 43
3. Results 45
4. Time Complexity 54
D. Discussion 55
Ⅲ.Unconscious Heartbeat Detection on Smart Bed 56
A. Related Works 56
B. Dispersion-Maximum Algorithm 61
1. Heartbeat Signal Extraction 61
2. Heartbeat Peak Detection 64
C. Performance Evaluation 70
1. Experiment Scenario 70
2. Performance Metrics 73
3. Performance of Reference Algorithm 75
4. Results 77
D. Discussion 85
Ⅳ. Conclusion 86
References 89
