분포를 갖는 시계열 데이터의 기계학습 기반 분류 알고리즘

Abstract

최근 스마트 기기의 발달로 웨어러블 디바이스의 보급이 확대되면서 이를 통해 심장 박동 수, 소비열량, 걸음 수 등 사용자 데이터를 원활하게 수집할 수 있게 되었다. 4차 산업혁명 시대가 다가오면서 고성능 센서에 ICT 기술이 더해져 원격진료와 같은 전문적인 분야 뿐 아니라, 일상생활까지 활용 분야가 확장되어가고 있다. 특히, 사람의 모든 행동과 감정 등의 상태는 다양한 생체 신호를 동반하기 때문에 생체데이터 분석은 그 활용도가 높아 주목받고 있다. 이러한 생체 신호들은 사용자의 인종, 문화적 차이 등에 대한 영향을 덜 받을 뿐 아니라, 인위적이지 않은 데이터이기 때문에 그 신뢰성과 활용도가 높다는 장점을 가지고 있다. 하지만, 기기를 통해 측정된 생체데이터는 그 양이 방대하고 수집 속도가 상당히 빠르기 때문에 많은 양의 데이터를 효과적으로 처리 및 분석하는데 어려움이 있다. 따라서 생체데이터를 제대로 활용하기 위해서는 많은 양의 데이터를 적절히 활용하기 위한 알고리즘과 그에 맞는 데이터 처리가 필요하다. 생체데이터 중에서 동공의 크기는 자극에 대한 호기심이나 감정변화가 클수록 그 크기가 확장되는 것으로 알려져 있다. 또한 동공의 크기가 대상에 대한 집중을 파악하는 지표로 활용이 가능하다는 것은 이미 여러 연구를 통해 밝혀졌다. 본 논문에서는 집중도에 따른 동공 크기를 기계학습 알고리즘인 서포트 벡터 머신과 -최근접 이웃 알고리즘으로 분류모델을 생성한다. 그리고 집중도를 추론하는데 있어 분류 성능을 높이는 방법을 제안한다. ;With the recent development of smart devices, the use of wearable devices became popular, which enabled us to collect user data such as heart rate, energy consumption and number of steps smoothly. As the fourth industrial revolution approaches, ICT technologies are added to high-performance sensors, expanding areas of use not only in specialized fields such as telemedicine but also everyday life. In particular, biometric data analysis is attracting attention due to its high utilization, as all human behaviors and emotions are accompanied by various biometric signals. These biometric signals have the advantage of being less susceptible to racial and cultural differences, and therefore are highly reliable and utilized. However, due to the large amount of biometric data measured through the device and the fairly fast collection rate, it is difficult to process and analyze large amounts of data effectively. Therefore, proper use of biometric data requires algorithms and corresponding data processing to properly utilize large amounts of data. Among biometric data, the size of the pupil is known to expand as the curiosity or change of emotion for stimuli is greater. In addition, studies have already shown that the size of the pupil can be used as an indicator of concentration on the target. In this paper, we model the pupil size according to the degree of concentration as an autoregressive model, and generate a classification model using the support vector machine and k-nearest neighbor algorithm as machine learning algorithms.