본문 바로가기

Thoughts/Technical Writing

Proposal for Mobile Computing

What?

 본 연구에선 Smart-phone과 life-logging device 를 이용한 사용자 행동 로깅 및 분석을 할 것이다. 


Why? 

최근 Jawbone Up이나 Nike Fuelband 들과 같은 스마트폰과 연동되는 헬스케어 장비들이 나오고 있다. 

=> 사용자의 움직임 (활동 시간, 칼로리)이나 수면 활동 (숙면 여부) 을 추적 

=> 사용자의 활동을 기록하고, 운동을 권장함으로서 의자가 부족한 사람들에게 운동을 하게 하는 동기를 유발한다. 

나이키 퓨얼밴드 

자본업


또한 2013년 들어서 갤럭시 기어나 소니의 스마트워치와 같이 손목 시계 형태의 스마트 디바이스 역시 출시되고 있다. 

=> 이들은 위에서 언급한 기기들과 달리 화면을 통한 UI를 통해서 더 많은 어플리케이션들을 제공하고 있지만, 여전히 스마트폰을 대체하기엔 부족하다. 

삼성 갤럭시 기어

소니 스마트 워치 MN2


또한 구글의 구글 글래스를 시작으로 MS와 삼성에서도 비슷한 컨셉의 제품을 개발 중인 것으로 알려져 있다. 이러한 장치들은 모두 mobile computing (pervasive computing) 을 이용해서 사용자들의 행동 정보를 인식하고, 사용자들에게 추가적인 정보를 주는데 사용될 수 있다. 


구글 글래스

 

이러한 장치들은 그 크기나 computing 능력 등의 제약들로 인해서 stand alone으로 동작하기는 힘들고, 스마트폰과 연동해서 사용될 때, 최적의 성능을 밢휘할 수 있을 것이다. 실제로 구글 글래스의 경우 스마트폰을 대체할 목적으로 설계되었기 때문에 다른 장치들과 달리 다양한 컴퓨팅이 가능하지만, 실제 배터리 사용 시간이 3.5 시간에 그친다고 알려져 있다. 이러한 제약들을 고려할 때 위에서 언급한 wearable computer 들을 이용해서 life logging과 사용자 행동 분석 기술의 발전이 필요할 것으로 예상된다. 


 지금까지의 Context-aware computing은 주로 location-awareness에 집중하고 있다. 그래서 GPS에 사용가는한 상황에 한정되서 적용되었던 것이 사실이다. 하지만 context 라는 것은 좀 더 넓은 의미를 담고 이를 위해서는 사용자들의 행동을 단순한 위치 정보를 넘어선 차원에서 해석해야 할 것이다. 이에 현재 대두되고 있는 pervasive computing device 들을 사용할 수 있을 것이다. 


 사용자들의 행동을 분석할 때 가장 어려운 점은 사람들 마다 행동 양식이 다르다는 점이다. 예를 들어 걷기와 뛰기를 구분한다고 할 때, 사람마다 모두 그 행동 패턴이 조금씩 다를 것이다. 또한 센서 정보의 calibration 역시 범용적인 행동 인식 장치의 개발을 저해하는 요소이다. 그래서 기계 학습 알고리즘을 적용할 필요가 있다. 즉 사용자 스스로 자신의 행동을 annotate하게 하고, 이렇게 모아진 정보를 이용해서 사용자의 행동을 학습시키는 것이다. 

 

How?


 먼저사용자의 행동이라는 context를 명확히 정의할 필요가 있다. 

 모든 사용자의 행동을 구분하는 것은 본 프로젝트의 기간을 고려할 때 현실적으로 불가능하다. 그래서 본 연구에선 대학원생이 주로 하는 기본적인 행동들을 분석하는 것을 그 목적으로 한다. 

 구분할 행동들

A. 움직임 측면 

1. Idle

2. 걷기

3. 뛰기 

4. 버스

5. 지하철  

6. 식사 중 

기존의 장치들은 많은 장비들을 필요로 했었다. 예를 들면 sense cam의 경우는 행동 분석을 위해서 엉덩이, 손목, 가슴 등에 센서를 부착해야 했었다. 본 연구에서는 센서가 달린 장치를 손목에 차고 있다고 가정하고, 스마트폰은 바지 주머니에 있다고 가정하겠다. 


손목에 있는 장치에는 3축 가속도, 3축 자이로, 3축 지자기 센서가 있고, 소리의 세기를 측정하는 마이크 센서가 있다고 가정하겠다. 

이 장비는 데이터를 모아서 스마트폰으로 전송하고, 스마트 폰에서는 손목에 있는 장치와 스마트폰 자신에게 있는 센서 정보를 이용해서 사용자의 현재 행동을 분석하겠다. (즉 스마트폰과 손목에 차는 센서 하나)


각 행동들을 분석할 때는 Sliding window 방식으로 센서 정보를 모은 후에 적절한 feature를 얻어내고, 얻는 feature를 바탕으로 사용자의 행동을 분류할 것이다. 분류에는 기계 학습에서 가장 많이 사용되는 Support Vector Machine을 사용할 것이다. 


일정

11월 

첫째 주 : Mobile device 제작 

둘째 주 : Mobile device와 핸드폰과 연동

셋째 주 : 사용자 행동 분석을 위한 학습 데이터 모집 

넷째 주 : 사용자 행동 분석기 (classifier) 제작

12월

첫째 주: 전체적인 사용자 행동 분석 시스템 구축












'Thoughts > Technical Writing' 카테고리의 다른 글

Another Reject from ICRA 2017  (0) 2017.01.26
Robotics paper  (0) 2015.02.16
호프스테더  (1) 2014.11.10
노인과 로봇  (3) 2014.03.13
서울대학교 내 건물을 어떻게 쉽게 찾을 수 있을까?  (0) 2011.09.13