가속도 센서와 LBP를 이용한 인간 행동 인식
Human Activity Recognition Using Acceleration Sensor and Local Binary Pattern
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
인간의 행동 분석과 인식은 헬스케어, 작업자 안전 등 다양한 분야에서 활용되고 있다. 행동패턴 분석과 인식에서 주로 IMU센서가 사용되며, 행동인식을 위해 딥 러닝과 SVM법, K-NN 분류법, 주파수 분석법 등 다양한 방법이 연구되고 있다. 이러한 방법은 많은 메모리와 연산시간이 요구되어 소형이고 저가인 IoT 디바이스에 적용하기가 어렵다, 따라서 본 연구에서는 저가의 임베디드 시스템에 적용가능한 행동 인식기법을 제안한다. 제안된 기법은 3축 가속도 센서를 이용하여 평균속도와 영-교차율을 산출하고 이를 이미지화하여 LBP로 인간의 행동패턴을 인식하게 한 것이다. 제안된 기법의 성능을 평가하기 위해 모바일 폰 센서에서 수집한 행동 데이터를 이용하였다. 성능 평가에서 91.8%의 인식률을 확인하였다. 이와같이 제안된 알고리즘을 저가의 임베디드 시스템에 적용한다면 매우 효과적일 것이라 사료된다.
Abstract
Analysis and recognition of human activity are used in various fields such as healthcare and worker safety. In order to recognize human activity, Various methods such as deep learning, SVM, K-NN classification, and frequency analysis are currently being studied. These methods require a lot of memory and computation time. So, it is difficult to apply them to small and low-cost IoT devices. Therefore, this study proposes a method to recognize the human activity for applicable to low-cost embedded systems. The proposed method calculates the average velocity and the zero-crossing ratio using a three-axis acceleration sensor and then images, and it is recognized the human activity pattern using these images and LBP. In the performance evaluation, it is confirmed that the recognition rate of 91.8% and the computation time are small. Therefore, it is very effective if the proposed algorithm is applied to the low cost embedded system.
참고문헌 (12)
- Jobanputra, C., "Human activity recognition : A survey", Procedia Computer Science, 155, pp.698~703 (2019)
- Park hyun, "Implementation of Acceleration Sensor-based Human activity and Fall Classification Algorithm", The Journal of Korea Institute of Convergence, 23(2), pp.76~83 (2022)
- Bao, L., "Activity recognition from user-annotated acceleration data", pp.1~17 (2004), Pervasive Computing
- Verma, A., "Experimental Investigation of Impact of Features on the Prediction Accuracy of Human Activity Recognition", International Conference on Computation, Automation and Knowledge Management (ICCAKM) (2023), IEEE
- Bulling, A., "A tutorial on human activity recognition using body-worn inertial sensors", ACM Computing Surveys, 46(3), pp.1~33 (2014)
- Li, H., "Human activity recognition using wearable sensors by deep convolutional neural networks", Proceedings of the 23rd ACM international conference on Multimedia, pp.1307~1310 (2015)
- Alsheikh, A., "Efficient activity recognition using hybrid deep learning model for edge computing", IEEE Transactions on Industrial Informatics, 16(3), pp.2048~2057 (2020)
- Park, S. J., "Deep learning approach for activity recognition using accelerometer and gyroscope", Microsystem Technologies, 27, pp.2519~2527 (2021)
- Heikkilä, M., "Description of interest regions with local binary patterns", Pattern Recognition, 42(3), pp.425~436 (2009)
- Brown, L. B., "Zero-crossing rate in signal processing", Journal of Acoustics, 45(2), pp.123~134 (2019)
- Aleksej L., "HARTH : A Human Activity Recognition Dataset for Machine Learning", Sensor, 21(23) (2021)