다중 센서 스트림 데이터 유형에 따른 딥러닝 신경망 설계 기법과 바이오센서에의 적용

Abstract

4차 산업의 핵심 인프라 중 하나인 5세대 셀룰러 네크워크(5G)의 상용화를 기반으로, 센서와 통신 기능을 내장한 가전제품, 모바일 기기, 웨어러블 기기 등의 다양한 사물을 네트워크에 연결하는 사물인터넷(Internet of Things, IoT)의 성장이 가속화되었다. 이러한 사물인터넷의 발달과 함께, 스트림 데이터(Stream Data)의 분석이 각광을 받고 있다. 네트워크에 연결된 수십, 수백억 개의 센서들을 통해 수집된 방대한 데이터의 흐름 속에서 이를 빠르게 분석함으로써, 문제를 해결하고 새로운 가치를 발견하는 것이 목적이다. 컴퓨팅 자원의 발달로 대용량 데이터의 학습이 가능해지면서, 이러한 스트림 데이터의 분석을 위해 딥러닝(Deep Learning)을 활용한 다양한 연구들이 진행되어 왔다. 과거의 데이터로부터 특징을 학습하여 미리 정해진 수의 레이블로 분류하거나, 미래의 데이터의 경향을 예측하는 회귀 문제로 크게 구분할 수 있다. 또한, 단일 스트림 데이터를 분석하거나, 다중 스트림 데이터를 분석하는 상황으로도 나눌 수 있다. 이러한 다중 스트림 데이터를 분석하는 경우, 각 스트림 데이터마다 유의미하게 고려해야 할 특징이 다를 수 있다. 예를 들면, 어떤 스트림 데이터는 주기성을 갖는 반면, 다른 스트림 데이터는 비주기성의 특징을 가질 수 있다. 본 논문에서는 이러한 서로 다른 특징을 갖는 다중 센서 스트림 데이터 분석에 적용할 수 있는 센서 스트림 데이터 유형화 규칙을 제안한다. 또한, 이러한 유형에 기반하여 합성곱 신경망(Convolutional Neural Network, CNN)과 장단기 기억 신경망(Long Short-Term Memory, LSTM)의 계층 차원의 결합으로 구성된 신경망 모델 설계 기법을 제안한다. 헬스케어 분야가 과거 병원에서 치료 중심으로 구성되었던 것과 달리, ICT 기술의 발달 및 의료분야와의 융합으로 일상에서 관리 및 예방하는 방향으로 변화하고 있다. 또한, 최근 웨어러블 기기, 스마트폰 등의 대중화로, 내장된 센서로부터 수집되는 스트림 데이터를 분석함으로써 사용자에게 다양한 헬스케어 서비스가 제공되고 있다. 본 논문에서는 다중 바이오 센서 스트림으로 구성된 데이터셋을 실험에 사용하였다. 이를 통해, 바이오 센서 스트림 데이터를 조합하여 인간의 3가지 종류의 감정을 분류하는 신경망을 설계할 때, 제안하는 기법을 적용해 보았다. 이를 통해, 본 논문에서 제안하는 기법이 헬스케어 분야에서 주로 사용되는 바이오 센서 스트림 데이터에도 적용될 수 있음을 확인하였다. 또한, 제안하는 설계 기법의 타당성을 실험을 통해 확인하였다.;Based on the commercialization of the 5th generation cellular network (5G), which is one of the key infrastructures of the 4th industry, the growth of the Internet of Things (IoT) has accelerated. The “Things” means home appliances, mobile devices, wearable devices with built-in sensors and communication functions connected to the network. With the development of the Internet of Things (IoT), analysis of stream data is in the spotlight. Its purpose is to solve problems and discover new values by rapidly analyzing the vast flow of data collected through tens of billions of sensors connected to the network. As the training of big data becomes possible with the development of computing resources, various studies using deep learning have been conducted to analyze such stream data. It can be broadly classified as a classification problem that learns features from past data and classifies them into a predetermined number of labels, or regression problem that predicts trends in future data. It can also be divided into cases of analyzing single stream data or analyzing multi-stream data. When analyzing such multi-stream data, characteristics to be considered significantly for each stream data may be different. For example, some stream data may have periodicity, while other stream data may have non-periodic characteristics. In this paper, we propose a classification rule for sensor stream data that can be applied to multi-sensor stream data analysis with these different characteristics. In addition, this paper also proposes a strategy for designing a neural network composed of a hierarchical combination of a Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) that can combine and analyze multi-sensor stream data based on the proposed rule. Unlike the past health care sector that was centered on treatment in hospitals, it has been changed toward the management and prevention in daily life, by the development of ICT technology and convergence with the medical field. In addition, with the recent popularization of wearable devices and smart phones, various healthcare services are provided to users by analyzing stream data collected from built-in sensors. In this paper, a dataset of multiple biosensor streams was used for the experiments. Through this, the proposed technique was applied when designing a neural network that classifies three types of emotions of human by combining multiple biosensor stream data. Consequently, it was confirmed that the technique proposed in this paper can be applied to biosensor stream data mainly used in the healthcare field. Also, the validity of the proposed method was confirmed through experiments.