디지털 라이브러리[ 검색결과 ]
캡슐 신경망의 시계열 데이터에 대한 노이즈 저감 기능
http://doi.org/10.5626/JOK.2024.51.8.678
캡슐은여러뉴런을묶은벡터표현으로,객체의각도,위치,크기와같은중요한정보를담고 있다. 캡슐 신경망은 이러한 관점 불변성을 학습하여 기존의 합성곱 신경망보다 노이즈가 많은 데이터에 강건하게 작동한다. 특히, 동적 라우팅 캡슐 신경망은 아핀 행렬과 동적 라우팅을 통해 캡슐을 학습한다. 본 연구에서는 아핀 행렬이 데이터의 변형을 나타내는 동안, 동적 라우팅 캡슐 신경망이 노이즈가 많고 민 감한시계열데이터에대한노이즈안정화기능을수행할수있다고가정한다. 우리는이노이즈안정화 기능을 입증하기 위해 심전도(ECG) 데이터에 대해 수동 및 적대적 공격을 수행한다. 본 연구는 캡슐 신경 망이 노이즈를 효과적으로 제거하여 노이즈 안정화 기능을 수행함을 실험을 통해 입증한다. 또한, 시계열 분석에서 발생한 노이즈 데이터로 인한 전처리 과정을 데이터 기반으로 해결할 수 있는 잠재력을 강조한다.
시간 접두어를 활용한 트라이 기반 IoT 데이터 인덱싱 기법
http://doi.org/10.5626/JOK.2024.51.3.280
사물인터넷 기술이 널리 보급되면서 생성된 대량의 IoT 센서 데이터를 효율적으로 검색하기 위한 다양한 기법들이 제안됐다. 이중 최신 기법 중 하나인 ST-Trie는 하루 이하의 좁은 시간대를 갖는 시공간 범위 질의에서 타 복합 색인 기법에 비해 상대적으로 질의 처리 성능이 나쁘다는 단점을 노출하였다. 이 문제를 해결하기 위해 본 논문은 시간 접두사를 이용한 트라이 기반 인덱싱 기법인 TS-Trie를 제안한다. TS-Trie는 3차원 시공간 정보를 64비트 1차원 키값으로 매핑할 때 접두사로 20비트 시간정보를 사용한다. 또한 20비트 이후 노드를 이중 연결 리스트로 구축해 기존의 검색 방식을 개선하였다. 제안한 TS-Trie는 세 개의 실-세계 IoT 데이터셋에 대한 범위 질의, k-NN 그리고 Top-k 질의에 대해 기존 방법 대비 평균 약 50%, 40% 그리고 60% 검색 시간을 줄일 수 있었다. 또한 기존 방법 대비 평균 약 4배 빠른 색인 구축 속도를 보여주었으며 86%의 높은 압축률을 통해 TS-Trie의 우수한 공간 효율성을 확인하였다.
자이로 센서 데이터를 활용한 양치 위치 추정 및 비지도 학습 클러스터링을 통한 검증
김도윤, 권민욱, 백승주, 윤혜린, 임대연, 조은아, 류승재, 김영욱, 김진현
http://doi.org/10.5626/JOK.2023.50.12.1143
구강 건강은 수명과도 직접적 관련을 갖는 중요한 건강 지표다. 이러한 이유로 영유아부터 노인에 이르기까지 구강 건강은 국민 건강의 핵심으로 자리를 잡았다. 이러한 구강 건강의 기본은 올바른 양치 습관이다. 하지만 권장되는 올바른 양치 방법은 습관화하기 쉽지 않으며, 그러한 이유로 구강 건강에 해로운 영향을 준다. 본 논문은 올바른 양치 방법을 추적하기 위한 저비용의 IMU 센서를 통해 양치 구역을 구별하는 방법을 제안하고, 머신러닝의 클러스터링 알고리즘으로 양치 구역의 추정 방법의 정확성을 평가한다. 본 논문에서는 IMU 센서의 자이로 센서만을 사용하여 칫솔 자세만으로 양치 구역을 판단하는 방법을 제안한다. 이 논문에서는 비교적 저렴한 6축 IMU 자이로 센서 데이터만으로도 80.6%의 정확도로 사용자 양치 부위를 추정할 수 있음을 보였다. 또한, 이러한 데이터에 클러스터링 알고리즘을 적용하고 클러스터링 된 데이터를 활용하여 Logistic regression을 훈련하여 양치 구역을 추정한 결과 86.7%의 정확도로 얻을 수 있었으며 이를 통해 클러스터링이 효과적임과 함께 본 논문에서 제안한 칫솔 자세 기반의 양치 구역 추정이 효과가 있음을 보였다. 결론적으로 본 양치 구역 추정 알고리즘이 비교적 적은 비용의 칫솔로 기능이 구현될 수 있으며, 이를 통해 개인 양치 습관을 분석하고 개선함으로써 구강 건강 유지하는데에 도움이 될 것으로 기대할 수 있다.
센서별 시간지연 교차 상관관계를 이용한 GCN 기반의 시계열 데이터 이상 탐지 방법
http://doi.org/10.5626/JOK.2023.50.9.805
시계열 데이터를 통한 장비 이상 탐지는 더 큰 피해를 방지하고 생산성 향상에 기여할 수 있어 매우 중요한 과제이다. 이와 관련하여 시계열 데이터 이상 탐지에 대한 연구가 활발히 진행되고 있지만, 다음과 같은 제약사항들이 있다. 첫째, 센서 간 상관관계를 분석하지 않기 때문에 불필요한 허위 알람이 발생한다. 둘째, 센서 간 상관관계를 분석하기 위해 완전 그래프로 모델링하고 GAT(Graph Attention Networks)를 적용하였으나, 불필요한 연산의 증가로 많은 분석시간이 소요된다. 본 논문에서는 위의 제약사항을 해결하기 위해 SC-GCNAD(Sensor-specific Correlation GCN Anomaly Detection)를 제안한다. SC-GCNAD는 시계열 데이터의 특징을 반영한 TLCC(Time Lagged Cross Correlation)를 적용하여 정확한 센서별 상관관계를 분석하고, 상관관계 표현력이 뛰어난 GCN(Graph Convolutional Networks)을 활용한다. 그 결과 기존 모델 대비 F1-Score는 최대 6.37% 향상하고, 분석시간은 최대 95.31% 단축한다.
TwinAMFNet: 3차원 시맨틱 세그멘테이션을 위한 Twin 어텐션 기반 멀티모달 퓨전 네트워크
http://doi.org/10.5626/JOK.2023.50.9.784
최근 자율주행에서 오인식으로 인한 충돌 사고가 증가함에 따라 멀티 모달 센서를 활용한 센서 퓨전 기반의 3차원 시맨틱 세그멘테이션에 관한 관심이 늘어나고 있다. 이에 따라 본 연구에서는 카메라와 LiDAR의 센서 퓨전을 통해 새로운 3차원 시맨틱 세그멘테이션 신경망인 TwinAMFNet을 소개한다. 제안하는 신경망은 RGB 영상과 2차원의 좌표 평면에 사영한 점 군 사영 영상을 처리하는 Twin 신경망을 포함하며 인코더 및 디코더에서의 특징 단계 퓨전을 위한 어텐션 기반 퓨전 모듈을 통해 더욱 확장된 객체 및 경계 구분에 대한 표현력 개선을 보여준다. 결과적으로 제안한 신경망은 mIoU를 기준으로 3차원 시맨틱 세그멘테이션에 약 68%의 성능을 기록하였으며 기존 연구들에 비해 약 4.5% 이상 향상된 성능을 보였다.
착용형 보행 보조 로봇을 위한 센서 데이터 기반 동작 인식 알고리즘
http://doi.org/10.5626/JOK.2023.50.9.751
본 논문에서는 센서 데이터를 활용하여 착용형 보행 보조 로봇이 해당 동작을 정확하게 인식할 수 있도록 하는 딥러닝 기반 동작 인식에 대한 종합적인 연구를 제시한다. 연구에 사용된 데이터셋은 보행 보조 로봇 착용자의 재활훈련 중 수집되었다. 심층 신경망의 훈련 과정을 최적화하기 위해 데이터를 정제 및 가공하여 불필요한 구간을 제거하였다. Convolutional Neural Network(CNN), Long Short-Term Memory(LSTM), CNN-Gated Recurrent Unit(GRU)를 포함한 다양한 심층 신경망 아키텍처를 비교하여 착용형 보행 보조 로봇의 동작 인식에 가장 효과적인 모델을 선정하고자 하였다. 실제 데이터에 대한 실험결과, 고려한 모든 신경망 모델이 비교적 우수한 성능을 보였으며, 해당 연구의 데이터셋에는 LSTM이 약간의 이점이 있다는 것을 확인하였다. 또한, 해당 연구는 착용형 보행 보조 로봇의 기능 향상을 위한 인사이트와 발전에 기여하며, 이 분야에서 더 많은 개선 가능성을 강조한다.
노년층 우울감 예측을 위한 시맨틱 네트워크기반 도메인 지식과 그래프 컨볼루션 결합
http://doi.org/10.5626/JOK.2023.50.3.243
노년층의 우울감은 매해 3억명의 환자와 80만명의 자살자가 발생하는 전세계적인 문제로, 이동성과 밀접한 연관이 있는 생활패턴으로부터 조기 탐지하는 것이 중요하다. 센싱정보 기반의 그래프 컨볼루션 신경망이 유망하기는 하나, 복잡한 센싱정보 시퀀스로부터 표현되는 고수준 행동을 표현하는 것이 필요하다. 본 논문에서는 추가적인 전문가 지식을 활용하여 노년층의 일상생활을 구조화하는 시맨틱 네트워크를 구축하고, 저수준 센싱 로그 그래프와 상호 보완적으로 이용하기 위한 그래프 컨볼루션 모델을 제안한다. 제안하는 방법은 ㈜DNX가 제공한 69명의 독거노인에 대한 800시간의 실제 데이터로 교차실험한 결과, 최신의 딥러닝 모형 대비 최고의 우울감 예측 성능을 달성하였다. 특히 기존 모델 대비 28.86%의 성능 개선을 보임으로써 시맨틱 네트워크로의 추론과 그래프 컨볼루션 모델의 타당성을 검증하였다.
태양 에너지 수집형 센서 네트워크에서 모바일 싱크를 지원하기 위한 클러스터 기반 에너지 인지 데이터 공유 기법
배터리 기반 무선 센서 네트워크(Wireless Sensor Networks, WSN)는 고정된 자원으로 인해 제한된 수명을 갖지만, 태양 에너지 기반 WSN은 에너지가 주기적으로 계속 공급되어, 하드웨어적인 문제가 없는 한 영원히 동작할 수 있다. 한편, 모바일 싱크를 활용한 기법은 데이터 전송 경로를 단축하여 센서의 에너지 소모량을 감소시킬 수 있지만, 비효율적인 싱크의 이동은 에너지 낭비를 초래할 수 있다. 이에 따라 모바일 싱크와 클러스터링을 혼합한 기법들이 제안되고 있지만, 클러스터링은 에너지 불균형 문제로 인한 네트워크 수명 단축을 야기한다. 따라서 본 연구에서는 태양 에너지 기반 WSN에서 모바일 싱크를 효과적으로 지원하기 위한 CE-DSS를 제안한다. CE-DSS는 에너지를 효율적으로 활용해 각 노드의 정전시간을 최소화하면서, 각 클러스터의 데이터를 공유한다. 이로 인해 네트워크 신뢰도가 향상되고, 모바일 싱크의 이동 거리가 단축되어 싱크의 에너지 사용량이 감소된다.
스마트 환경에서 행위 인식을 위한 센서 선정 기법
스마트 폰의 출현에 이어 최근 웨어러블 기기와 IoT 개념의 등장으로 언제 어디서든 여러 다양한 객체들 간의 상호작용이 가능하게 되었다. 그 중 홈 네트워크를 이용한 스마트 홈 서비스를 위해서는 수많은 센서들이 필요하다. 이러한 스마트 환경에서의 센서 데이터를 이용하여 거주자의 행위를 인식하는 연구가 활발히 진행되고 있다. 각종 센서 데이터 마이닝 기법을 통한 행위 인식 및 패턴 분석을 위해 많은 센서가 사용되지만, IoT 스마트 홈 서비스를 위해 수많은 센서들이 설치되어야 한다면 비용의 문제와 에너지 소모의 문제를 야기할 것이다. 본 논문에서는 스마트 환경에서 주성분 분석과 클러스터링 기법을 활용하여 적은 수의 센서를 선정하는 방식을 제안하며, 이에 따른 거주자 행위 인식률의 개선 효과를 보인다.
기회주의적 네트워크에서 노드의 그룹 친밀성 정보를 이용한 메시지 전달 기법
기회주의적 네트워크에서는 각 메시지들이 저장, 운반 및 전달을 반복하면서 목적지까지 전송된다. 최근 소셜 네트워크가 활성화되면서 기존의 많은 연구들은 메시지 전송 시 사회관계망을 고려하여, 기회적 메시지 전송에서의 성능 향상을 보여주었다. 하지만 기존 연구들은 사회관계망을 구성하고 있는 모든 노드들은 서로 무조건 협력한다는 강한 가정 아래 전송 범위 안에 메시지를 수신할 수 있는 노드가 발견되면 무조건 메시지를 전달했다. 또한, 단기적인 접촉 횟수 및 지역적 사회관계만 고려하고 최종 목적지와의 평균적인 관계는 고려하지 못했다. 본 논문에서는 기회주의적 네트워크에서 메시지 전달 시 노드의 그룹 친밀성 정보를 이용하여, 목적지 노드와 친밀도가 높은 노드를 통해 메시지를 전달함으로써 적은 메시지 복사수로 목적지 노드에 메시지를 전달하는 기법을 제안한다. 성능평가를 통해 제안 기법이 기존 기법에 비해 오버헤드 측면에서 최대 20%까지 성능향상이 있음을 보였다.
