KR20160149376A - 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법 - Google Patents

유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법 Download PDF

Info

Publication number
KR20160149376A
KR20160149376A KR1020150086122A KR20150086122A KR20160149376A KR 20160149376 A KR20160149376 A KR 20160149376A KR 1020150086122 A KR1020150086122 A KR 1020150086122A KR 20150086122 A KR20150086122 A KR 20150086122A KR 20160149376 A KR20160149376 A KR 20160149376A
Authority
KR
South Korea
Prior art keywords
features
user
behavior
genetic algorithm
action
Prior art date
Application number
KR1020150086122A
Other languages
English (en)
Other versions
KR101829099B1 (ko
Inventor
이석원
Original Assignee
아주대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020150086122A priority Critical patent/KR101829099B1/ko
Publication of KR20160149376A publication Critical patent/KR20160149376A/ko
Application granted granted Critical
Publication of KR101829099B1 publication Critical patent/KR101829099B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명에 따른 사용자 독립적 행동 인식 방법은, (a) 다수의 대상 사용자들마다 가속도계가 구비된 휴대 단말을 소지하도록 하고 미리 정해진 다수의 행동들을 수행하도록 하여, 다수의 대상 사용자들마다 각 행동에 대한 데이터를 수집하는 단계; (b) 상기 수집된 데이터로부터, 다수의 대상 사용자들마다 각 행동에 대한 다수의 특징들을 추출하는 단계; (c) 유전 알고리즘을 이용하여, 상기 다수의 특징들 중 상기 다수의 대상 사용자들 및 상기 다수의 행동들에 중요한 일부의 특징들을 선택하는 단계; 및 (d) 상기 선택된 일부의 특징들을 이용하여, 사용자의 행동을 분류하는 단계를 포함하는 것을 특징으로 한다.

Description

유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법{User-Independent Activity Recognition Method Using Genetic Algorithm based Feature Selection}
본 발명은 사용자 행동 인식 방법에 관한 것으로, 보다 상세하게는 가속도계가 구비된 휴대 단말을 이용하여 사용자의 행동을 인식하는 방법에 관한 것이다.
기술의 발전으로 인한 스마트폰과 같은 스마트 디바이스의 광범위한 보급은 상황인식을 계산하는 모델을 제공하여 장소, 시간에 상관없이 사용자의 상황을 인식할 수 있도록 하였다. 수십년 동안 광범위하게 연구되었던 자동상황인식 분야 중 하나는 인간 행동 인식(Human Activity Recognition)이다. 인간 행동 인식은 컴퓨터를 사용해 사람의 일상을 자동적으로 인식하는 기술 분야이다. 여기서 상황이라 함은 요리, 샤워와 같은 높은 수준의 상황부터 걷기, 뛰기와 같은 낮은 수준의 물리적 활동까지 포함한다.
물리적 활동의 패턴들은 여러 시스템들에 상당한 도움을 준다. 헬스케어 분야에선 환자의 물리활동 패턴 인식을 통해 그 환자의 구체적인 치료수단을 식별 및 판단하는데 도움을 준다. 여기서 물리적 활동 패턴을 인식한다는 것은 인간행동의 다양한 행위를 식별하는 것을 의미한다.
물리적 활동에 대한 정보를 얻기 위해서 다양한 센싱 기술이 도입되어왔다. 그 대표적인 예가 가속도계(accelerometer)이다. 근래의 센싱 기술의 발전 덕택에, 가속도계를 사용하여 인간의 물리적 운동정보측정이 가능하게 되었고, 이는 물리적 활동을 식별 가능하도록 만들었다. 물론 가속도계가 활동패턴을 모니터하기 위한 기술적인 요소로 중요한 역할을 해온 것은 사실이다. 하지만 아직까지 인식 알고리즘의 유효성은 연구해야 할 과제로 남아있다. 다른 주체, 다른 활동을 대상으로 일괄적으로 적용하고자 하는 인간 행동 인식에 대한 알고리즘의 객관성, 신뢰성이 달성되어야 하기 때문이다.
첫 번째 문제는 사람들마다 제각기 동작이 다르기 때문에 동일한 활동 패턴에 대하여 서로 다른 신체적 활동을 보인다는 것이다. 가령 어떤 사람은 빠르게 걷는 반면, 어떤 사람들은 느리게 걷는다. 이러한 현상으로 인해 걷는 동작을 달리는 동작으로 잘못 분류할 수 있다. 두 번째 문제는 동일한 사람에 의해 수행된 활동들 각각이 서로 다른 기본 모델을 가지기 때문에, 같은 특징(feature)을 이용하여 인식하는 것이 현명한 방법이 아닐 수 있다는 것이다. 예를 들면, 걷기 활동에서는 신체의 모든 부분이 움직이는 반면, 자전거타기 활동에서는 주로 다리를 많이 움직이므로 걷기와 자전거타기는 매우 다르다.
이러한 문제를 극복하기 위하여, 서로 다른 대상들의 동작을 이해하기 위해 특징들을 선택할 때 신체적 활동을 고려하는 더 강력한 분석 방법이 수행되어야 한다. 따라서 본 발명에서는 대상 사용자와 활동 동작에 기반한 방대한 양의 특징들을 분석하여 가속도계 데이터의 가장 적절한 특징들을 추출할 수 있는 특징 선택을 이용한 사용자 독립적 행동 인식 방법을 제안한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 사용자 독립적 행동 인식 방법은, (a) 다수의 대상 사용자들마다 가속도계가 구비된 휴대 단말을 소지하도록 하고 미리 정해진 다수의 행동들을 수행하도록 하여, 다수의 대상 사용자들마다 각 행동에 대한 데이터를 수집하는 단계; (b) 상기 수집된 데이터로부터, 다수의 대상 사용자들마다 각 행동에 대한 다수의 특징들을 추출하는 단계; (c) 유전 알고리즘을 이용하여, 상기 다수의 특징들 중 상기 다수의 대상 사용자들 및 상기 다수의 행동들에 중요한 일부의 특징들을 선택하는 단계; 및 (d) 상기 선택된 일부의 특징들을 이용하여, 사용자의 행동을 분류하는 단계를 포함하는 것을 특징으로 한다.
상기 (c) 단계에서, 각 특징은 하나의 유전자로 표현되고, 선택된 특징들의 집합은 염색체로 표현되며, 유전자는 해당 특징이 선택되었는지 여부에 따른 인덱스에 의하여 염색체에 매핑될 수 있다.
상기 (c) 단계는, (c1) 상기 다수의 특징들로부터, 유전 알고리즘을 이용하여 각 대상 사용자의 각 행동마다 높은 영향을 미치는 특징들을 선택하는 단계; (c2) 상기 (c1) 단계를 통하여 선택된 특징들로부터, 유전 알고리즘을 이용하여 각 대상 사용자마다 중요한 특징들을 선택하는 단계; 및 (c3) 상기 (c2) 단계를 통하여 선택된 특징들로부터, 유전 알고리즘을 이용하여 상기 다수의 대상 사용자들 및 상기 다수의 행동들에 중요한 특징들을 선택하는 단계를 포함할 수 있다.
상기 (c1) 단계는, 상기 각 대상 사용자의 각 행동마다 선택된 특징들을 결합하는 단계를 더 포함할 수 있다.
상기 (c2) 단계는, 상기 각 대상 사용자마다 선택된 특징들을 결합하는 단계를 더 포함할 수 있다.
상기 (d) 단계는, 인공 신경망 분류기를 이용하여 사용자의 행동을 분류할 수 있다.
본 발명에 의하면, 유전 알고리즘 기반의 특징 선택을 통하여 각 사용자에 대하여 다양한 행동들에 적합하고 다수의 사용자들에 대하여 다양한 행동들을 표현하는데 효과적인 특징을 선택할 수 있다. 또한 이렇게 선택된 특징들을 이용하여 사용자의 행동을 효과적으로 분류할 수 있다.
도 1은 본 발명의 일 실시예에 따른 사용자 독립적 행동 인식 방법의 흐름도를 나타낸다.
도 2는 가속도계 데이터 수집을 위한 어플리케이션 화면의 예를 보여준다.
도 3은 각 특징에 인덱스가 부여되는 모습을 나타낸다.
도 4는 도 1의 300단계를 구체적으로 나타낸 흐름도이다.
도 5는 세 단계의 유전 알고리즘을 도식적으로 표현한 도면이다.
도 6은 인공 신경망 분류기의 망 구조의 예를 보여준다.
이하에서는 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이하 설명 및 첨부된 도면들에서 실질적으로 동일한 구성요소들은 각각 동일한 부호들로 나타냄으로써 중복 설명을 생략하기로 한다. 또한 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 사용자 독립적 행동 인식 방법의 흐름도를 나타낸다.
100단계에서, 다수의 대상 사용자(subject)들마다 가속도계가 구비된 휴대 단말을 소지하도록 하고 다수의 행동들을 수행하도록 하여, 다수의 대상 사용자들마다 각 행동에 대한 데이터를 수집한다.
여기서 수집되는 데이터는 가속도계로부터 들어온 정제되지 않은 신호 모음을 의미한다. 다수의 행동들은 예컨대 걷기(walking), 조깅(jogging)), 러닝(running), 계단오름(going upstairs), 계단내림(going downstairs), 호핑(hopping) 등을 포함할 수 있다.
가속도계 데이터 수집은 스마트폰에 이를 위한 어플리케이션을 설치하고, 이 어플리케이션을 통하여 이루어질 수 있다. 대상 사용자가 어플리케이션을 통하여 행동을 선택하고 선택된 행동을 수행하면, 어플리케이션은 선택된 행동에 대한 데이터를 수집할 수 있다. 도 2는 어플리케이션 화면의 예로서, 대상 사용자가 행동을 수행하기 전의 화면(a)과 대상 사용자가 행동을 수행하면서 데이터를 수집하는 중의 화면(b)을 보여준다.
다음으로 200단계에서, 상기 수집된 데이터로부터, 다수의 대상 사용자들마다 각 행동에 대한 다수의 특징들을 추출한다.
행동을 인식하기 위해서, 각각의 행동은 단순하고 일반적인 모습으로 표현되어야 한다. 정제되지 않은 데이터를 그대로 사용하는 것은 행동 인식을 더욱 어렵게 만든다. 따라서 수집된 데이터로부터 중요한 특징을 추출하는 과정이 요구된다. 예컨대, 단순한 시간 도메인 특징들로서, 평균(mean), 제곱 평균(root mean square), 분산(variance), 상관관계(correlation), 표준편차(standard deviation) 등이 추출될 수 있다. 나아가, 대상 사용자들의 신체적 패턴 안에서 각각의 행동을 이해하기 위해서 각각의 행동을 시계열 모델링 기법을 이용해 분석할 수도 있다. 시계열 분석은 데이터의 독특한 관찰과 특별한 패턴을 드러나게 할 수 있기 때문이다.
본 발명자는 다수의 대상 사용자들 및 다수의 행동들에 대하여 추출된 다수의 특징들의 시계열 모델을 분석한 결과, 동일한 사용자의 경우라도 행동들마다 서로 다른 양상을 보이고, 동일한 행동의 경우라도 사용자들마다 서로 다른 양상을 보임을 확인할 수 있었다. 따라서 본 발명에서는 다수의 특징들 중 대상 사용자들과 행동들에 공통적으로 중요한 일부의 특징을 선택하여 행동 인식에 사용하고자 한다.
이를 위하여 300단계에서, 유전 알고리즘(genetic algorithm)을 이용하여, 다수의 특징들 중 다수의 대상 사용자들 및 다수의 행동들에 중요한 일부의 특징들을 선택한다.
유전 알고리즘은 병렬적, 반복적, 최적화적이고 최적화 문제의 다양한 분야에서 성공적으로 적용되어 왔다. 유전 알고리즘은 해집단(population)으로부터 실현 가능한 개체들을 선택하여 해집단의 최대 적합도(fitness)를 찾음으로써 특징들을 평가하고, 유전 정보를 이용하여 새로운 최적의 해집단을 산출한다. 유전 알고리즘에서 새로운 세대를 산출하는 두 가지 기본 프로세스는 염색체(chromosome)로부터의 교차(crossover)와 변이(mutation)이다.
본 발명의 실시예에서, 각 특징은 하나의 유전자(gene)로 표현되고, 선택된 특징들의 집합은 염색체로 표현되며, 유전자는 해당 특징이 선택되었는지 여부에 따른 인덱스에 의하여 염색체로 매핑된다. 예컨대 다음과 같이, 해당 특징이 선택되면 인덱스는 '1'이고, 그렇지 않으면 '0'이다.
Figure pat00001
도 3은 각 특징에 인덱스가 부여되는 모습을 나타낸다. 도 3에서 Fx는 x번째 특징을 나타낸다.
본 발명의 실시예에서, 유전 알고리즘을 이용한 특징 선택 과정(300단계)은 세 단계(three stages)의 유전 알고리즘을 이용하여 수행된다. 도 4는 이러한 300단계를 구체적으로 나타낸 흐름도이고, 도 5는 본 실시예에 따른 세 단계의 유전 알고리즘을 도식적으로 표현한 도면이다.
도 4를 참조하면 310단계에서, 전체 특징들로부터, 유전 알고리즘을 이용하여 각 대상 사용자의 각 행동에 대하여 추출된 특징들을 분석하여 각 대상 사용자의 각 행동마다 높은 영향을 미치는 특징들을 선택한다. 그리고 각 대상 사용자의 각 행동마다 선택된 특징들을 결합하되, 합집합 방식을 이용하면서 카운트 수가 일정 임계값을 넘는 특징들을 선택할 수 있다.
다음으로 320단계에서, 상기 310단계를 통하여 선택된 특징들로부터, 유전 알고리즘을 이용하여 각 대상 사용자마다 각각의 행동들의 특징들을 분석하여 각 대상 사용자마다 중요한 특징들을 선택한다. 그리고 각 대상 사용자마다 선택된 특징들을 결합하되, 합집합 방식을 이용하면서 카운트 수가 일정 임계값을 넘는 특징들을 선택할 수 있다.
다음으로 330단계에서, 상기 320단계를 통하여 선택된 특징들로부터, 유전 알고리즘을 이용하여 각각의 대상 사용자들의 특징들을 분석하여 모든 대상 사용자들 및 모든 행동들에 중요한 특징들을 선택한다.
위와 같은 세 단계의 유전 알고리즘을 도 5를 참조하여 예를 들어 설명한다.
도 5의 예에서, 대상 사용자들의 수는 m, 행동들의 수는 n(본 예에서 n=6)이고, 각 행동은 A1~A6로 표현되며, 삼각형은 선택된 특징을 나타낸다. 첫 번째 단계(First stage)에서 편의상 1~(m-1)번째 대상 사용자는 생략하고 m번째 대상 사용자(Subject m)만을 표시하였다.
첫 번째 단계(First stage)를 참조하면, 대상 사용자는 예컨대 행동 A1을 서로 다른 시간에 걸쳐 수행하는데 이것은 A1-1, A1-1, A1-3으로 표현된다. 첫 번째 단계의 특징 선택을 통하여 각 대상 사용자의 각 행동마다 중요한 특징이 선택됨으로써, mㅧn개의 특징 집합이 나오게 된다. 선택된 특징들을 결합할 때에는 합집합 방식을 사용할 수 있다. 다만 이 경우에는 결합 결과가 전체 특징들이 되어버릴 수 있으므로, 특징마다 카운트 수를 부여하여 카운트 수가 일정 임계값을 넘는 특징들을 선택할 수 있다.
첫 번째 단계를 통하여 선택된 특징들은 두 번째 단계의 입력으로 사용된다. 두 번째 단계의 특징 선택을 통하여 각 대상 사용자마다 중요한 특징들이 선택됨으로써, m개의 특징 집합이 나오게 된다. 이 m개의 특징 집합을 결합할 때 역시 첫 번째 단계와 마찬가지로 합집합 방식을 이용하고 카운트 수가 일정 임계값을 넘는 특징들을 선택할 수 있다.
두 번째 단계를 통하여 선택된 특징들은 세 번째 단계의 입력으로 사용된다. 세 번째 단계의 특징 선택을 통하여 모든 대상 사용자들과 모든 행동들에 중요한 1개의 특징 집합이 나오게 된다. 이 특징 집합이 행동 인식을 위해 사용된다.
다시 도 1을 참조하면 400단계에서, 300단계를 통하여 선택된 일부의 특징들, 즉 310단계 내지 330단계를 통하여 선택된 모든 대상 사용자들 및 모든 행동들에 중요한 특징들을 이용하여 사용자의 행동을 분류한다. 즉, 가속도계가 구비된 휴대 단말을 소지한 사용자가 행동을 수행하면 휴대 단말을 통하여 상기 선택된 특징들을 추출하고, 추출된 특징을 바탕으로 사용자의 행동을 분류한다.
행동 분류 과정은 행동 학습 및 인식으로 이루어진다. 훈련 과정에서 행동을 학습하고 시험 과정에서 행동을 인식하는 것은 인공 신경망 분류기(artificial neural network)를 이용할 수 있다. 인공 신경망 분류기는 적응적인 특성을 가지며 정확한 분류 결과를 제공할 수 있고, 훈련되지 않은 데이터가 있는 어떤 패턴을 분류할 수 있다.
도 6은 인공 신경망 분류기의 망 구조의 예로서, 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 이루어진다. 입력층의 입력으로 본 발명의 특징 선택 과정을 통하여 선택된 특징들이 사용된다. 도 6을 참조하면, 입력층의 x개의 노드는 특정 선택 과정을 통하여 선택된 x개의 특징에 대응된다. 또한 출력층의 z개의 노드는 분류 대상이 되는 행동들의 수에 대응된다.
본 발명의 실시예에 의하면, 유전 알고리즘을 이용하여 대상 사용자에 독립적이고 다수의 행동을 효과적으로 표현할 수 있는 특징들을 선택할 수 있다. 또한 이렇게 선택된 특징들은 보다 정확한 행동 분류 결과를 제공할 수 있다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (6)

  1. (a) 다수의 대상 사용자들마다 가속도계가 구비된 휴대 단말을 소지하도록 하고 미리 정해진 다수의 행동들을 수행하도록 하여, 다수의 대상 사용자들마다 각 행동에 대한 데이터를 수집하는 단계;
    (b) 상기 수집된 데이터로부터, 다수의 대상 사용자들마다 각 행동에 대한 다수의 특징들을 추출하는 단계;
    (c) 유전 알고리즘을 이용하여, 상기 다수의 특징들 중 상기 다수의 대상 사용자들 및 상기 다수의 행동들에 중요한 일부의 특징들을 선택하는 단계; 및
    (d) 상기 선택된 일부의 특징들을 이용하여, 사용자의 행동을 분류하는 단계를 포함하는 것을 특징으로 하는 사용자 독립적 행동 인식 방법.
  2. 제1항에 있어서,
    상기 (c) 단계에서, 각 특징은 하나의 유전자로 표현되고, 선택된 특징들의 집합은 염색체로 표현되며, 유전자는 해당 특징이 선택되었는지 여부에 따른 인덱스에 의하여 염색체에 매핑되는 것을 특징으로 하는 사용자 독립적 행동 인식 방법.
  3. 제1항에 있어서,
    상기 (c) 단계는,
    (c1) 상기 다수의 특징들로부터, 유전 알고리즘을 이용하여 각 대상 사용자의 각 행동마다 높은 영향을 미치는 특징들을 선택하는 단계;
    (c2) 상기 (c1) 단계를 통하여 선택된 특징들로부터, 유전 알고리즘을 이용하여 각 대상 사용자마다 중요한 특징들을 선택하는 단계; 및
    (c3) 상기 (c2) 단계를 통하여 선택된 특징들로부터, 유전 알고리즘을 이용하여 상기 다수의 대상 사용자들 및 상기 다수의 행동들에 중요한 특징들을 선택하는 단계를 포함하는 것을 특징으로 하는 사용자 독립적 행동 인식 방법.
  4. 제3항에 있어서,
    상기 (c1) 단계는, 상기 각 대상 사용자의 각 행동마다 선택된 특징들을 결합하는 단계를 더 포함하는 것을 특징으로 하는 사용자 독립적 행동 인식 방법.
  5. 제3항에 있어서,
    상기 (c2) 단계는, 상기 각 대상 사용자마다 선택된 특징들을 결합하는 단계를 더 포함하는 것을 특징으로 하는 사용자 독립적 행동 인식 방법.
  6. 제1항에 있어서,
    상기 (d) 단계는, 인공 신경망 분류기를 이용하여 사용자의 행동을 분류하는 것을 특징으로 하는 사용자 독립적 행동 인식 방법.
KR1020150086122A 2015-06-17 2015-06-17 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법 KR101829099B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150086122A KR101829099B1 (ko) 2015-06-17 2015-06-17 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150086122A KR101829099B1 (ko) 2015-06-17 2015-06-17 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법

Publications (2)

Publication Number Publication Date
KR20160149376A true KR20160149376A (ko) 2016-12-28
KR101829099B1 KR101829099B1 (ko) 2018-02-20

Family

ID=57724682

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150086122A KR101829099B1 (ko) 2015-06-17 2015-06-17 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법

Country Status (1)

Country Link
KR (1) KR101829099B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507377A (zh) * 2017-08-08 2017-12-22 北京佳讯飞鸿电气股份有限公司 光纤周界系统的信号处理方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220034602A (ko) 2020-09-11 2022-03-18 주식회사 케이티 경보 데이터의 레이블링 장치 및 레이블링 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507377A (zh) * 2017-08-08 2017-12-22 北京佳讯飞鸿电气股份有限公司 光纤周界系统的信号处理方法及装置

Also Published As

Publication number Publication date
KR101829099B1 (ko) 2018-02-20

Similar Documents

Publication Publication Date Title
CN110139597B (zh) 利用神经生理信号进行迭代分类的系统和方法
Lester et al. A hybrid discriminative/generative approach for modeling human activities
Abdallah et al. Adaptive mobile activity recognition system with evolving data streams
CN110267119B (zh) 视频精彩度的评价方法及相关设备
WO2020194497A1 (ja) 情報処理装置、個人識別装置、情報処理方法及び記憶媒体
CN103136533A (zh) 基于动态阈值的人脸识别方法及装置
US9471836B1 (en) Method for learning rejector by forming classification tree in use of training images and detecting object in test images, and rejector using the same
JP2021184299A (ja) 学習用データ作成装置、学習用モデル作成システム、学習用データ作成方法、及びプログラム
Palaniappan et al. VEP optimal channel selection using genetic algorithm for neural network classification of alcoholics
WO2020042583A1 (zh) 潜力绩优人员类型识别方法、系统、计算机装置及介质
CN107133629B (zh) 图片分类方法、装置和移动终端
CN107145778B (zh) 一种入侵检测方法及装置
CN111160959B (zh) 一种用户点击转化预估方法及装置
CN106528655A (zh) 文本主题识别方法和装置
CN104679967B (zh) 一种判断心理测试可靠性的方法
Barri Khojasteh et al. Evaluation of a wrist-based wearable fall detection method
CN115391670B (zh) 一种基于知识图谱的互联网行为分析方法与系统
Rodrigues et al. Classification methods based on bayes and neural networks for human activity recognition
KR101829099B1 (ko) 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법
Ali et al. Human activity recognition system using smart phone based accelerometer and machine learning
CN114238764A (zh) 基于循环神经网络的课程推荐方法、装置及设备
Bock et al. Investigating (re) current state-of-the-art in human activity recognition datasets
Akbari et al. An autoencoder-based approach for recognizing null class in activities of daily living in-the-wild via wearable motion sensors
CN113496251A (zh) 确定用于识别图像中的物体的分类器的装置、识别图像中的物体的装置和相应方法
CN111061394B (zh) 触摸力度识别方法及其模型的训练方法、装置和电子系统

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant