기계학습을 적용한 신체활동 웨어러블 디바이스의 정확성 검증

• Published in: 한국체육측정평가학회지 Vol. 21; no. 3; pp. 37 - 46
• Main Authors: 이광희(Kwanghee Lee), 김재명(Jaemyung Kim), 최지엽(Ji-Yeop Choi), 이정민(Jung-Min Lee), 이미영(Miyoung Lee)
• Format: Journal Article
• Language: Korean
• Published: 한국체육측정평가학회 01.09.2019
• Subjects: 체육; Measurement Tool; 분류 알고리즘; SenseWear Armband Mini; Classification Algorithm; 측정도구; 타당도 검증
• ISSN: 1229-4225; 2671-9134
• DOI: 10.21797/ksme.2019.21.3.004

기계학습 (machine learning)은 다양한 학문영역에서 빠르게 확산되고 있으나 신체활동 관련 자료 분석에는 한정적으로 적용되어 왔다. 이 연구에서는 기계학습 방식을 통해 신체활동 웨어러블 디바이스의 정확성을 검증하는데목적이 있다. 성인 남녀 48명을 대상으로 앉기, 서기, 물걸레질, 물건 옮기기, 걷기, 빠르게 걷기 등과 같은 일련의신체활동을 수행하는 동안 신체활동량을 측정하였다. 모든 신체활동 정보는 신체활동 웨어러블 디바이스 SenseWear Armband Mini (BodyMedia Inc, Jawbone, CA, USA)를 이용하여 수집되었고, 전용 소프트웨어 (SenseWear 8.0)를 통해 가속도기반 물리적 변인과 피부 온도와 같은 생리학적 변인의 자료가 60초 epoch으로 저장되었다. 얻어진 자료는 k-인접이웃분류 (k-Nearest Neighbor), 서포트 벡터 머신 (Support Vector Machine), 랜덤 포레스트 (Random Forest), 의사결정나무 (Decision Tree) 의 4가지 기계학습 알고리즘 분석방식과 전통적으로 이용된통계방법인 로지스틱 회귀 (Logistic Regression)이 적용되어 신체활동을 얼마나 정확하게 분류되는지 비교되었다. 분석결과에 의하면 랜덤 포레스트 (71.43%)와 서포트 벡터 머신 (70.12%)이 다른 알고리즘 보다 상대적으로 높은분류 정확도를 보였다. k-인접이웃분류와 의사결정나무는 각각 61.86%, 50.46%의 정확도를 보였고, 전통적 분석방법인 로지스틱 회귀분석 결과가 가장 낮은 정확도 (47.31%)를 보였다. 또한, 가속도계 기반 자료 하나만을 이용하는것보다 가속도 데이터, 피부 온도 및 피부 반사에 관한 정보를 동시에 사용하였을 때 상대적으로 높은 신체활동 분류 정확도를 보였다. 결론적으로 기계학습을 통한 신체활동 분류 시 랜덤 포레스트와 서포트 벡터 머신 방법 적용이보다 적절하고 가속도계 기반 변인 하나보다 다양한 생리학적 변인의 반영이 필요함을 시사한다. The method of machine learning could serve as a powerful source to analyze the physical activity data more accurately than traditional analyses. The purpose of this study was to evaluate the accuracy of wearable physical activity tracker through several machine learning algorithms to classify different types of physical activity. A total of 48 participants were asked to perform a series of physical activity including sitting, standing, mopping, walking, brisk walking, and the moving object while wearing the SenseWear Mini Armband (BodyMedia Inc, Jawbone, CA, USA). The data from motion and heat-related sensors were processed and summarized into 1-min epoch by using the software (SenseWear 8.0). The machine learning algorithms of k-Nearest Neighbors (k-NN), Random Forest (RF), Support Vector Machine (SVM), logistic regression, and Decision Tree (DT) were applied to classify physical activity. The algorithm of RF (71.43%) and SVM (70.12%) were more accurate than others. k-NN, DT showed 61.86%, 50.46% accordingly which resulted in higher accuracy than logistic regression; the lowest accuracy of 47.31%. Also, the accuracy was the highest when information on accelerometer, skin temperature, and galvanic skin response was collectively included as feature variables. The use of machine learning algorithms, especially RF and SVM were proven to be useful for the classification of physical activity through the wearable physical activity tracker. Researchers need to consider applying the enhanced method of analyzing physical activity data. KCI Citation Count: 0