초록

스마트폰의 사용자를 알아내기 위하여 지문, 홍채 등을 사용하는 방법과 같이 별도의 단계를 사용하지 않고, 자연스러운 일상생활의 다양한 행동을 분석하여 사용자를 분류하는 연구가 활발히 이루어지고 있다. 그러나 사람 행동의 다양성과 피실험자 각각에 대한 분석 및 기존 연구의 기법들을 사용한 실험 및 분석은 미흡한 실정이다. 본 논문에서는 스마트폰의 가속도와 자이로스코프 센서를 이용하여 30명의 피실험자로부터 여섯 가지 행동 데이터를 수집하여 공개한 데이터세트를 가지고, 기존 연구 결과에서 우수한 성능을 보인 분류 기법을 가지고 실험하여, 다양한 사람 행동을 가지고 사용자를 분류할 수 있는 방법을 제안한다. 일곱 가지 분류 기법으로 여섯 가지 행동을 비교 실험한 결과, AdaBoost가 우수한 결과를 보여줬다. 다음으로 모든 행동에 대한 분류 실험에서 우수한 결과를 보인 상위 4가지 분류기법을 이용하여 각 행동별 사용자 분류 실험을 한 결과, 눕기, 앉기 및 서기에서는 AdaBoost가 가장 우수하였으며, 걷기, 계단내려가기 및 계단오르기에서는 SVM이 가장 좋은 정확도를 보였고, 앞선 세 가지 동작보다 높은 분류 정확도를 구할 수 있었다. 특히 계단오르기를 이용한 사용자 분류 정확도는 가장 높은 결과를 보였다. 이 실험 결과는 앞으로 지속적 사용자 분류 기술 개발에 중요한 기초가 될 것이라고 생각한다.

키워드

Smartphone sensors, Accelerometer, Gyroscope, Human activity, User classification

참고문헌(16)open

  1. [학술지] J-H. Kim / 2016 / Personal authentication technology and database construction using biosignals / Journal of Telecommunication Technology Association 165 : 41 ~ 46

  2. [학술대회] J. R. Kwapisz / 2010 / Cell phone-based biometric identification / IEEE International Conference on Biometrics: Theory Applications and Systems : 1 ~ 7

  3. [학술대회] W. H. Lee / 2016 / Implicit sensor-based authentication of smartphone users with smartwatch / Proceedings of the Hardware and Architectural Support for Security and Privacy : 1 ~ 8

  4. [학술지] M. Ehatisham-ul-Haq / 2017 / Identifying smartphone users based on their activity patterns via mobile sensing / Procedia Computer Science 113 : 202 ~ 209

  5. [단행본] S. R. Ramamurthy / 2018 / Recent trends in machine learning for human activity recognition—A survey / Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery : e1254

  6. [학술지] M. Janidarmian / 2017 / A comprehensive analysis on wearable acceleration sensors in human activity recognition / Sensors 17 (3)

  7. [학술대회] D. Anguita / 2013 / A public domain dataset for human activity recognition using smartphones / European Symposium on Artificial Neural Networks : 437 ~ 442

  8. [기타] T. B. Singha / 2017 / Person recognition using smartphones' accelerometer data / arXiv preprint arXiv:1711.04689

  9. [학술대회] C. Tang / 2016 / An empirical evaluation of activities and classifiers for user identification on smartphones / IEEE 8th International Conference on Biometrics Theory, Applications and Systems

  10. [학술지] P. Casale / 2012 / Personalization and user verification in wearable systems using biometric walking patterns / Personal and Ubiquitous Computing 16 (5) : 563 ~ 580

  11. [학술대회] T. Hoang / 2015 / On the instability of sensor orientation in gait verification on mobile phone / IEEE 12th International Joint Conference on e-Business and Telecommunications 4 : 148 ~ 159

  12. [학술지] A. Ignatov / 2018 / Real-time human activity recognition from accelerometer data using Convolutional Neural Networks / Applied Soft Computing 62 : 915 ~ 922

  13. [단행본] E. Frank / 2016 / The WEKA workbench. Online appendix for data mining: Practical machine learning tools and techniques / Morgan Kaufmann

  14. [학술지] R. Kohavi / 1995 / A study of cross-validation and bootstrap for accuracy estimation and model selection / International Joint Conferences on Artificial Intelligence 14 (2) : 1137 ~ 1145

  15. [단행본] G. Shmueli / 2011 / Data mining for business intelligence: Concepts, techniques, and applications in Microsoft Office Excel with XLMiner / John Wiley and Sons

  16. [학술대회] T. M. Oshiro / 2012 / How many trees in a random forest? / International Workshop on Machine Learning and Data Mining in Pattern Recognition : 154 ~ 168