본문 바로가기
KERD
논문KCI 등재

불균형한 클래스 데이터에서 오버샘플링 및 3차원 보행 분석을 통한 BMI 분류 정확도 개선

Improving BMI Classification Accuracy with Oversampling and 3-D Gait Analysis on Imbalanced Class Data

권범
한국컴퓨터정보학회 (The Korean Society Of Computer And Information)|2024.09|한국컴퓨터정보학회논문지 (Journal of The Korea Society of Computer and Information)|제29권 제9호|pp. 9-23|DOI https://doi.org/10.9708/jksci.2024.29.09.009

1

조회

0

다운로드

0

인용

0

참고문헌

키워드

머신러닝체질량지수Machine LearningClass ImbalanceBody Mass Index오버샘플링 기법클래스 불균형시공간적 특징인체 측정학 특징Anthropometric FeatureOversampling TechniqueSpatiotemporal Feature
주제분류컴퓨터학

초록

본 연구에서는 3차원 보행 데이터 기반 체질량지수(Body Mass Index, BMI) 추정 기술의 분류 정확도를향상시킬 수 있는 방법을 제안한다. BMI 추정 기술에 관해 기존 연구에서는 BMI 분류 정확도가 약60%에 불과했다. 이에 본 연구에서는 먼저 BMI 분류 정확도가 낮았던 원인을 규명한다. 본 연구의분석 결과에 따르면, 그 원인은 보행 데이터 세트의 클래스 불균형(Class Imbalance) 문제를 해결하기위해 언더샘플링(Undersampling) 기법을 사용한 것에 있었다. 이에 본 연구에서는 언더샘플링 기법 대신오버샘플링(Oversampling) 기법을 적용해 클래스 불균형 문제를 해결하는 것을 제안한다. 또한, 보행데이터 기반 BMI 추정 기술에서 인체 측정학(Anthropometric) 특징과 시공간적(Spatiotemporal) 특징의유용성을 재입증한다. 기존 연구에서는 언더샘플링 기법이 적용된 상태에서 인체 측정학 특징과 시공간적특징의 유용성이 평가됐고, 두 특징을 함께 사용하면 단독으로 사용했을 때보다 BMI 추정 성능이 낮아진다고 보고됐다. 하지만 본 연구 결과에 따르면, 두 특징을 함께 사용하고 오버샘플링 기법을 적용했을때 BMI 추정 문제에서 92.92%의 정확도로 SOTA(State-Of-The-Art) 성능을 달성하는 것을 보인다.

Abstract

In this study, we propose a method to improve the classification accuracy of body mass index (BMI) estimation techniques based on three-dimensional gait data. In previous studies on BMI estimation techniques, the classification accuracy was only about 60%. In this study, we identify the reasons for the low BMI classification accuracy. According to our analysis, the reason is the use of the undersampling technique to address the class imbalance problem in the gait dataset. We propose applying oversampling instead of undersampling to solve the class imbalance issue. We also demonstrate the usefulness of anthropometric and spatiotemporal features in gait data-based BMI estimation techniques. Previous studies evaluated the usefulness of anthropometric and spatiotemporal features in the presence of undersampling techniques and reported that their combined use leads to lower BMI estimation performance than when using either feature alone. However, our results show that using both features together and applying an oversampling technique achieves state-of-the-art performance with 92.92% accuracy in the BMI estimation problem.

참고문헌 (52)

  1. G. Muscogiuri, "Obesity : A gender-view", J. Endocrinol. Invest, 47, pp.299~306 (2024)[DOI]
  2. J. H. Jeong, "DeepHealthNet : Adolescent obesity prediction system based on a deep learning framework", IEEE J. Biomed. Health Inform, 28(4), pp.2282~2293 (2024)[DOI]
  3. Y. Han, "Trends in obesity, leisure-time physical activity, and sedentary behavior in Korean adults : Korea national health and nutritional examinations survey from 2014 to 2021", PLoS One, 19(1), pp.1~15 (2024)[DOI]
  4. D. Mohajan, "Body mass index(bmi)is a popular anthropometric tool to measure obesity among adults", J. Innov. Med. Res, 2(4), pp.25~33 (2023)[DOI]
  5. K. Ricanek, "MORPH : A longitudinal image database of normal adult age-progression", Proc. 7th Int. Conf. Automatic Face and Gesture Recognit, pp.341~345 (2006)
  6. Q. Peng, "A dual-augmentor framework for domain generalization in 3d human pose estimation", Proc. IEEE, 2024, 2240~2249
  7. Z. Jiang, "Back to optimization : diffusion-based zero-shot 3d human pose estimation", Proc. IEEE, 2024, 6142~6152
  8. S. Mehraban, "MotionAGFormer : Enhancing 3d human pose estimation with a transformer-gcnformer network", Proc. IEEE, 2024, 6920~6930
  9. V. O. Andersson, "Gender and body mass index classification using a Microsoft Kinect sensor", Proc. 28th Int. Florida Artificial Intelligence Res. Society Conf, pp.103~106 (2015)
  10. V. Coetzee, "Deciphering faces : Quantifiable visual cues to weight", Perception, 39(1), pp.51~61 (2010)[DOI]
  11. D. D. Pham, "Body mass index and facial cues in sasang typology for young and elderly persons", Evid. -based Complement Altern. Med, 2011(1), pp.1~9 (2011)[DOI]
  12. L. Wen, "A computational approach to body mass index prediction from face images", Image Vis. Comput, 31(5), pp.392~400 (2013)[DOI]
  13. E. Kocabey, "Face-to-bmi : Using computer vision to infer body mass index on social media", Proc. Int. AAAI Conf. Web and Social Media, pp.572~575 (2017)
  14. P. N. Aarotale, "PatchBMI-Net : Lightweight facial patch-based ensemble for bmi prediction", Proc. IEEE Int. Conf. Bioinformatics and Biomed, pp.4022~4028 (2023)
  15. H. Bipembi, "Calculation of body mass index using image processing techniques", Int. J. Artif. Intell. Mechatron, 4(1), pp.1~7 (2015)
  16. J. D. Amador, "Automatic calculation of body mass index using digital image processing", Proc. 5th Workshop on Engineering Appl, pp.309~319 (2018)
  17. A. Pantanowitz, "Estimation of body mass index from photographs using deep convolutional neural networks", Informatics in Medicine Unlocked, 26, pp.1~8 (2021)[DOI]
  18. S. Kim, "Multi-view body image-based prediction of body mass index and various body part sizes", Proc. IEEE, 2023, 6033~6040
  19. Z. Jin, "Attention guided deep features for accurate body mass index estimation", Pattern Recognit. Lett, 154, pp.22~28 (2022)[DOI]
  20. N. U. Niaz, "Class imbalance problems in machine learning : A review of methods and future challenges", Proc. Int. Conf. Comput. Advan, pp.485~490 (2022)
  21. K. Ghosh, "The class imbalance problem in deep learning", Mach. Learn, 113, pp.4845~4901 (2024)[DOI]
  22. S. Goswami, "A literature survey on various aspect of class imbalance problem in data mining", Multimed. Tools Appl, pp.1~26 (2024)
  23. Y. Chen, "A new oversampling method based on triangulation of sample space", IEEE Trans. Syst. Man Cybern. -Syst, 54(2), pp.774~786 (2024)[DOI]
  24. W. Pei, "A survey on unbalanced classification : How can evolutionary computation help?", IEEE Trans. Evol. Comput, 28(2), pp.353~373 (2024)
  25. Z. A. Huang, "Neural network with a preference sampling paradigm for imbalanced data classification", IEEE Trans. Neural Netw. Learn. Syst, 35(7), pp.9252~9266 (2024)[DOI]
  26. P. Abdelnour, "Comparing the drop vertical jump tracking performance of the Azure Kinect to the Kinect V2", Sensors, 24(12), pp.1~12 (2024)[DOI]
  27. B. Kwon, "Implementation of human action recognition system using multiple Kinect sensors", Proc. Pacific-Rim Conf. Multimed. (PCM), pp.334~343 (2015)
  28. B. Kwon, "An enhanced multi-view human action recognition system for virtual training simulator", Proc. Asia-Pacific Signal Inf. Process. Assoc. Annu. Summit Conf. (APSIPA ASC), 12, pp.1~4 (2016)
  29. B. Kwon, "Implementation of a virtual training simulator based on 360° multi-view human action recognition", IEEE Access, 5, pp.12496~12511 (2017)[DOI]
  30. B. Kwon, "Human skeleton data augmentation for person identification over deep neural network", Appl. Sci, 10(14), pp.1~22 (2020)[DOI]
  31. B. Kwon, "Ensemble learning for skeleton-based body mass index classification", Appl. Sci, 10(21), pp.1~23 (2020)[DOI]
  32. B. Kwon, "Joint swing energy for skeleton-based gender classification", IEEE Access, 9, pp.28334~28348 (2021)[DOI]
  33. B. Kwon, "Optimal camera point selection toward the most preferable view of 3-D human pose", IEEE Trans. Syst. Man Cybern. -Syst, 52(1), pp.533~553 (2022)[DOI]
  34. B. Kwon, "Multi-time window feature extraction technique for anger detection in gait data", Journal of the Korea Society of Computer and Information, 28(4), pp.41~51 (2023)[DOI]
  35. B. Kwon, "Gait-based gender classification using a correlation-based feature selection technique", Journal of the Korea Society of Computer and Information, 29(3), pp.55~66 (2024)[DOI]
  36. B. Kwon, "An improved energy saving scheme in IEEE 802. 16e", Journal of Korean Institute of Information Technology, 10(8), pp.43~51 (2012)
  37. B. Kwon, "A target position decision algorithm based on analysis of path departure for an autonomous path keeping system", Wirel. Pers. Commun, 83, pp.1843~1865 (2015)[DOI]
  38. B. Kwon, "A downlink power control algorithm for long-term energy efficiency of small cell network", Wirel. Netw, 21, pp.2223~2236 (2015)[DOI]
  39. B. Kwon, "Virtual MIMO broadcasting transceiver design for multi-hop relay networks", Digit. Signal Prog, 46, pp.97~107 (2015)[DOI]
  40. B. Kwon, "Framework implementation of image-based indoor localization system using parallel distributed computing", The Journal of Korean Institute of Communications and Information Sciences, 41(11), pp.1490~1501 (2016)[DOI]
  41. B. Kwon, "Iterative interference cancellation and channel estimation in evolved multimedia broadcast multicast system using filter-bank multicarrier-quadrature amplitude modulation", IEEE Trans. Broadcast, 62(4), pp.864~875 (2016)[DOI]
  42. B. Kwon, "Novel error detection algorithm for LZSS compressed data", IEEE Access, 5, pp.8940~8947 (2017)[DOI]
  43. B. Kwon, "Scattered reference symbol-based channel estimation and equalization for FBMC-QAM systems", IEEE Trans. Commun, 65(8), pp.3522~3537 (2017)[DOI]
  44. B. Kwon, "Effective interference nulling virtual MIMO broadcasting transceiver for multiple relaying", IEEE Access, 5, pp.20695~20706 (2017)[DOI]
  45. B. Kwon, "Cross-antenna interference cancellation and channel estimation for MISO-FBMC", QAM-Based eMBMS, 2018, pp.24, 3281~3293
  46. B. Kwon, "Error detection algorithm for Lempel-Ziv-77 compressed data", J. Commun. Netw, 21(2), pp.100~112 (2019)[DOI]
  47. B. Kwon, "Accurate blind Lempel-Ziv-77parameter estimation via 1-D to 2-D data conversion over convolutional neural network", IEEE Access, 8, pp.43965~43979 (2020)[DOI]
  48. B. Kwon, "EDA-78 : A novel error detection algorithm for Lempel-Ziv-78 compressed data", Wirel. Pers. Commun, 111, pp.2177~2189 (2020)[DOI]
  49. B. Kwon, "Toward an online continual learning architecture for intrusion detection of video surveillance", IEEE Access, 10, pp.89732~89744 (2022)[DOI]
  50. B. Kwon, "Identification and restoration of LZ77 compressed data using a machine learning approach", Proc. Asia-Pacific Signal Inf. Process. Assoc. Annu. Summit Conf. (APSIPA ASC), pp.1787~1790 (2018)
  51. B. Kwon, "Accurate path loss prediction based on a neural network ensemble method", Sensors, 24(1), pp.1~20 (2024)[DOI]
  52. B. Kwon, "Path loss prediction using an ensemble learning approach", Journal of the Korea Society of Computer and Information, 29(2), pp.1~12 (2024)[DOI]

관련 논문AI추천

상관관계 기반 특징 선별 기법을 사용한 걸음걸이 기반 성별 분류권범한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2024 · 제29권 제3호다중클래스 분류 머신러닝을 활용한 3D신체이미지 기반 체형 분류 예측모델 탐색박재현, 윤지운, 이상용, 이지용한국체육측정평가학회 · 한국체육측정평가학회지2023 · 제25권 제3호기계학습 모델을 이용한 노인보행과비노인보행의 구별 방법에 관한 연구김가영, 엄수현, 이소연, 장성원, 정수환, 최상일한국정보처리학회 · 정보처리학회논문지. 컴퓨터 및 통신시스템2021 · 제10권 제9호스마트폰 사용자의 행동 종류를 감안한 칼로리 소모량 추정 스마트폰 앱 개발김영인, 이수림한국소프트웨어감정평가학회 · 한국소프트웨어감정평가학회 논문지2018 · 제14권 제2호스마트 깔창의 압력센서를 이용한 보행형태 분류서우덕, 신원용, 이성신, 최상일한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2018 · 제23권 제2호걸음걸이 데이터에서 분노 검출을 위한 다중 시간 윈도 특징 추출 기술권범, 오태근한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2023 · 제28권 제4호

이 간행물의 다른 논문 (30건)

Batch Normalization을 결합한 CNN과 MNIST 데이터셋에서의 정확도 향상에 관한 연구이정수, 이승빈pp. 1-7앙상블 기반 OCR과 RAG 기술을 활용한 ESG 서류 검토 자동화 시스템 개발최은실pp. 25-37LLMs 기반 추론 경로 자가보완을 통한 KGQA 효율성 향상을 위한 연구서민지, 김명호pp. 39-48XAI 설명 수준이 인지부하 및 사용자 만족도에 미치는 영향에 관한 연구: 금융 AI 시스템의 리스크 수준을 중심으로한노아, 이준기, 황유진pp. 49-59생성형 AI를 활용한 SQL 인젝션 시큐어코딩조영복pp. 61-68
원문 보기