Decision method for rule-based physical activity status using rough sets

러프집합을 이용한 규칙기반 신체활동상태 결정방법

이영동

*

*

**

*** ^†

***

Decision method for rule-based physical activity status using rough sets

Young-Dong Lee * , Chang-Sik Son * , Wan-Young Chung ** , Hee-Joon Park *** ^† ,

and Yoon-Nyun Kim ***

Abstract

This paper presents an accelerometer based system for physical activity decision that are capable of recognizing three different types of physical activities, i.e., standing, walking and running, using by rough sets. To collect physical acceleration data, we developed the body sensor node which consists of two custom boards for physical activity monitoring applications, a wireless sensor node and an accelerometer sensor module. The physical activity decision is based on the acceleration data collected from body sensor node attached on the user's chest. We proposed a method to classify physical activities using rough sets which can be generated rules as attributes of the preprocessed data and by constructing a new decision table, rules reduction. Our experimental results have successfully validated that performance of the rule patterns after removing the redundant attribute values are better and exactly same compare with before.

Key Words : physical activity, rough sets, tri-axial accelerometer, wireless sensor network, body sensor node

1. 서 론

최근의 센서는 고성능화 · ^지능화 · ^고집적화 · 저전력 화 및 소형화의 추세로 발전해 가고 있으며 , 환경 , 국 방 , ^{자동화 시스템} , ^{의료 등 다양한 분야에서} 유비쿼터 스 센서네트워크 (ubiquitous sensor network) 기반의 서 비스를 통해 효과적인 센서 데이터 처리가 가능하여 그 응용범위가 확대되고 있다 . ^{그 중 가장 비약적인 발}

전을 보이고 있는 분야가 의료분야이며 센서 기술은 미래 의료 패러다임의 변화를 이끌 핵심 역할을 담당 할 것으로 기대하고 있으며 , ^{센서를 활용한 의료기기}

개발에 있어서도 가장 관심이 집중되고 있다 . 의료분야 에서 센서는 생체정보 측정 , 환자 모니터링 , 활동량 모

니터링 , 자원관리 등 다양한 분야로 활용이 가능하다 .

특히 , 센서를 활용한 신체활동상태 인식 기술은 센 서를 인체의 특정 부위에 부착시키고 , ^{인간의 활동에}

의해 발생하는 데이터를 조합하여 기계로 하여금 인간 의 동작을 구분토록 하고 있다 . ^{인체의 동작상태 또는}

활동의 정량적 측정에 대한 상황인식 기술에 사용되고 있는 센서는 작고 가벼워서 몸에 착용하기 편리해야 하며 장시간 동작하기 위해 저전력 , ^{저가격등이 요구되}

고 있다 . 현재까지 일상생활 중의 신체활동상태 ( 걷기 ,

앉기 , 서기 , 뛰기 , 눕기 등 ) 인식 관련연구에서의 신호 측정에는 가속도 센서가 주로 이용되고 있고 , ^측정된

가속도 신호로부터 인체의 동작상태 정보와 활동량 분 석을 위해서 주파수 성분 분석 (frequency components analysis) ^[1,2] , ^{뉴럴네트워크} (neural network) ^{[2,3] 와 웨이}

브렛 변환 (wavelet transform) ^[4-6] 과 같은 방법을 적용한 다양한 연구들이 진행되고 있다 . 그러나 이러한 방법들 은 복잡한 연산으로 비교적 많은 시간이 걸리며 규칙 을 과다하게 생성하기 때문에 실용성이 낮고 시스템의 설계도 복잡하다는 제약점을 가지고 있다 .

따라서 본 논문에서는 러프집합을 신체활동상태 결정 에 적용하여 규칙을 감축하고 감축된 규칙들 간의 중복

*

(Biomedical Information Technology Center, Keimyung University, Daegu 700-720, Korea)

**

(Div. of Electronics, Computer and Telecommunication Engineering, Pukyong National University, Busan 608-737, Korea)

***

(Dept. of Medical Informatics, School of Medicine, Keimyung University, Daegu 700-720, Korea)

†

Corresponding author : [email protected]

(Received : July 28, 2009, Revised : September 17, 2009

Accepted : October 12, 2009)

속성 값들을 제거하여 규칙을 최소화하는 방법을 제안 한다. 생체센서노드와 가속도 센서보드를 가슴착용형으 로 일체 제작하여 피실험자의 가슴 중앙 부위에 착용시 키고 획득한 신체 가속도 데이터로부터 X, Y, Z 각 축의 입력 속성 중 불필요한 속성 값들을 제거하기 위해 러 프집합을 적용하여 러프집합 기반의 규칙패턴을 생성하 고, 빈도수가 높은 속성 값을 선택하여 최종 규칙 패턴 을 추출하였다. 제안된 러프집합기반 신체활동상태 결 정은 복잡한 규칙을 단순화시키고 규칙의 과다한 중복 에 대한 문제를 개선함으로서 규칙패턴 생성 시간을 단 축시킬 뿐만 아니라 단순화된 규칙에 따라 신체활동상 태 규칙을 결정하는데 유용하게 적용이 가능하다.

2. 러프집합 기반 신체활동상태 결정

본 논문에서 제안된 3축 가속도 센서를 이용한 러프 집합 기반의 신체활동상태 결정 시스템의 전체 구성은 Fig. 1과 같다. 러프집합 기반의 신체활동상태 결정 시 스템은 피실험자의 가슴에 착용하는 생체센서노드와 가속도 센서로부터의 출력 신호를 모니터링 하기 위한 서버 PC로 구성되어 있다.

피실험자가 생체센서노드를 가슴에 착용하고 러닝머 신위에서 측정한 신체 가속도 데이터는 IEEE 802.15.4 무선통신을 통해 서버 PC로 전송되며 그 결과는 원격 지에서 실시간으로 모니터링 할 수 있도록 구성하였다.

신체활동상태를 결정하기 위한 전처리 과정으로서 3축 가속도 센서로부터 얻은 신체 가속도 데이터의 이산화 를 통해 이산화 구간을 추출하고, 이산화된 구간을 근 거로 하여 규칙패턴을 생성한다. 생성된 규칙패턴에서 동일한 패턴의 규칙들을 제거하고 후보 규칙패턴을 생 성함으로서 최종적으로 러프집합 기반으로 한 신체활 동상태를 결정한다.

2.1. 3축 가속도 센서

신체활동상태 결정에 필요한 신체 가속도 데이터 수

집을 위하여 3축 가속도 센서(MMA7260Q, Freescale) 를 사용하였다. 이 센서는 저중력 신호 특성이 필요한 분야에 사용할 수 있도록 개발된 저전력 3축 가속도계 로서 X, Y, Z축 방향 감지를 위해 X-Y축에 교차 연결 된 핑거 형태의 단일 질량 변환기와 축에 장착되어 Z 축 가속이 감지되면 비틀림 효과를 제공하는 Teeter Totter 중량을 사용한다. Fig. 2에서와 같이 가속력이 진자를 움직이면 그 결과로 정전용량이 변화하게 된다.

X축 및 Y축 방향의 가속력은 이동 경로에 따라 이동 하는 감지 핑거를 통해 감지되며, Z축 가속력은 시험 대상의 회전에 의해 감지가 가능하다. 단일 디바이스에 서 1.5 g, 2 g, 4 g, 6 g의 g-선택 기능을 통한 감도 선택 이 가능하며, 낮은 소비전력의 특징을 가지고 있다. 3 축 가속도 센서의 사양은 Table 1에 나타내었다.

2.2. 생체센서노드

생체센서노드는 신체 가속도 데이터의 샘플링 및 무 선통신을 하기 위한 것으로 무선센서노드와 가속도 센 서보드로 구성하여 설계 및 구현하였다. 무선센서노드 는 Fig. 3에서와 같이 제어부, 무선통신부, 센서부, 전 원부로 구성되며, u-헬스케어 응용에 적합한 생체센서 노드 설계를 위하여 각 구성 부품은 MSP430F1611(TI, USA) 마이크로컨트롤러와 IEEE 802.15.4를 적용한 RF트랜시버(CC2420, Chipcon AS, Norway), 외부 플 래시메모리(M25P80, ST Microelectronics, USA)로 구 성하였다. MSP430F1611은 16비트 RISC로 내부에 Fig. 1. Overall system architecture based on rough sets. _{Fig. 2.} Measurement principle of tri-axial accelerometer.

Table 1. Specification of tri-axial accelerometer

Axis 3-axis(X, Y, Z)

Selective sensitivity 1.5 g, 2 g, 4 g, 6 g high sensitivity(800 mV/g @1.5 g) Low power consumption 500 uA, 3 uA(Idle state)

Low power 2.2 V ~ 3.6 V

Fast turn-on time 1 ms

Size 6 mm ^× 6 mm ^× 1.45 mm

48 KB 의 프로그램 메모리와 10 KB 의 램을 가지고 있 으며 , 12 ^비트 ADC 8 ^{채널을 가지고 있다} .

RF 트랜시버 모듈로 사용된 CC2420 은 IEEE802.15.4 /ZigBee 를 지원하는 RF 칩으로 2400~2483.5MHz 대역 을 지원하며 , ^{직접시퀀스 대역확산} (direct sequence spread spectrum, DSSS) 방식으로 동작하며 , O-QPSK 변조 방 식과 250 kbps 의 전송률을 지원한다 .

가속도 센서보드는 무선센서노드와 확장커넥터를 통 해 연결하여 신체활동상태 모니터링이 가능하도록 하였 다 . 3 축 가속도 센서의 출력 신호는 생체센서노드에 내

장된 A/D ^{컨버터를 통해 아날로그 신호에서 디지털 신}

호로 변환되고 , IEEE 802.15.4 무선통신을 통해 신체 가

속도 데이터는 서버 PC 로 무선 전송한다 . 설계에 사용된 무선센서노드의 하드웨어 사양은 Table 2 ^{에 명시하였다} .

2.3. 신체활동상태 결정

본 절에서는 3 축 가속도 센서로부터 얻은 데이터를 이용하여 신체활동상태를 결정하기 위한 전처리 과정으 로서 데이터의 이산화 (discretization) 방법과 규칙생성

(rule generation) 절차에 대해서 논의한다 . 만약 주어진

데이터 가 s 개의

인스턴스들을 포함하는 n ^{차원 벡터이고} , j ^{번째 속성} ( ^즉

차원 ) , 은 s 개의 데이 터 포인트들로 구성되고 , 출력 는

m ^{개의 라벨로 이루어진 집합이라고 하자} . ^{이때 각 속성}

의 이산화 구간 및 규칙생성은 다음과 같은 과정에 의해 서 추출된다 .

단계 1: j ^{번째 입력 속성의 도메인} d j =[min( a j ), max( a j )] 을 추출하고 , 해당 라벨에 대응하는 j 번째 속성 의 내부 구간 을 찾는다 . 과

은 각각 j ^{번째 속성에서} k ^{번째 라벨에 대}

응하는 속성 값들의 최소값과 최대값을 나타낸다 .

단계 2: 단계 1 에서 추출된 내부 구간들 사이에서 중 첩된 구간들을 중심으로 Fig. 4 에서 보여주는 것처럼 , 주 어진 데이터 포인트들을 분할 , 한

X x = {

x

= ( x

, , , x

… x

) , i = 1 2 , , , … s }

a

= { x

, , , x

… x

} ( j = 1 2 , , … n )

C c = {

k = 1 2 , … , m }

I

= [ I

, I

] I

= min a ( )

I

= max a ^{( )}

d

= o

+ + + o

… o

Fig. 3. Block diagram of wireless sensor node.

Table 2. Specification of wireless sensor node

Item Specification Remarks

sensor Body node

Processor MSP430F1611

Memory 48 kB Program flash

10 kB Data RAM

Current draw 1.8 mA Active mode

5.1 uA Sleep mode

ADC 12 bit resolution 8 channels

Power 3 V Battery

Connector Expansion Sensor boards

USB Type Serial programming

RF transceiver CC2420

Frequency band 2.4 GHz ~ 2.485 GHz IEEE 802.15.4 compliant

Sensitivity ⁻ 95 dBm

Transfer rate 250 kbps

RF power − 25 dBm ~ 0 dBm

Range 150 m

20 ~ 30 m Outdoor

Indoor

Current draw Rx: 18.8 mA,

Tx: 17.4 mA

1 uA Sleep mode

Antenna Ceramic PCB antenna

다 . l은 중첩된 구간을 중심으로 분할된 이산화된 구간 의 수를 , 은 이산화된 구간의 길이를 나타내고 , 이

산화된 구간의 길이 (length) 의 총합은 전체 도메인의

길이와 동일하다 .

단계 3: 각 인스턴스를 정성적으로 평가하기 위해서 위의 과정으로 추출된 이산화된 구간을 근거로 해당 구간을 언어적인 항 (linguistic term), 즉 slow, moderate,

fast ^{등으로 변환하고 규칙패턴을 생성한다} .

단계 4: 단계 3 에서 생성된 규칙패턴에서 동일한 패 턴의 규칙들을 제거하고 신체활동상태를 결정하기 위 한 후보 규칙패턴을 생성한다 .

제안된 방법에서는 위의 과정으로부터 생성된 후보 규칙패턴에서 여러 불필요한 속성 값 (redundant attribute values) ^{들을 제거하기 위해서} 1980 ^{년 초} Pawlak ^{[7,8] 에}

의해서 제안된 러프집합의 개념과 의사결정 규칙 테이 블에서 코어 (core) 와 리덕트 (reduct) 개념을 추출하기 위해 Slowinski 와 Stefanowski ^[9] 에 의해서 제안된 식별 가능행렬을 이용하였다 . 오브젝트 ( 즉 인스턴스 ) 들의 유 한집합 와 속성들의 집합 A로 이루 어진 정보시스템 (information system) IS = ( U, A ) 이 있

다고 하자 . 이때 각 속성 의 도메인 V a 는 정보 함 수 (information function) ^f a : U ^→ V a 으로 정의되고 , 식 별가능행렬 (discernibility matrix) 은 식 (1) 과 같이 n × n

행렬로 정의된다 . c ij ( i , j = 1,2,..., n ) 는 i번째 오브젝트 x i

와 j번째 오브젝트 x j 을 구별하는 모든 속성들의 집합 을 의미한다 .

(1)

예제 1) Table 3 과 같은 규칙 테이블이 있다고 가정하자 .

은 오브젝트들의 집합 ,

는 3 개의 조건부 ( 입력부 ) 속성과 1 개의 의사결정부 ( 출 력부 ) 속성을 나타낸다 .

식 (1) ^{에 의해서} , Table 3 ^{의 규칙 테이블은} Table 4 ^와

같은 식별가능행렬을 구성할 수 있다 .

Table 4 ^에서 ‘-’ ^{는 동일한 출력 속성값} ( ^{즉 라벨} ) ^{을 가}

지는 경우와 동일한 오브젝트들을 가지는 경우를 나타 낸 것이다 . 다시 말해서 , 동일한 클래스 내에 존재하는 인스턴스들은 이미 전체 공간 내에서 특정 부분공간으 로 분할되어 있으므로 식별가능요소를 추출할 필요가 없다 . 또한 식별가능행렬에서 주 대각원소를 제외한 하 삼각 행렬의 원소와 상삼각 행렬의 원소는 서로 대칭 적인 특성을 가지기 때문에 어떠한 행렬의 원소를 사 용하더라도 동일한 특성을 갖는다 . 또한 Table 4 의 식 별가능행렬에서 코어속성은 단일 원소로 이루어진 항 목들의 집합으로 식 (2) 와 같이 정의될 수 있다 .

(2)

a는 i번째와 j번째 속성을 유일하게 식별할 수 있는 속성을 의미한다 .

식 (2) 로부터 , Table 4 의 식별가능행렬의 예에서 코 어 속성은 유일한 단일 속성을 가진 { a 1 , a 3 } 가 되고 , 리 덕트는 하나 이상의 속성을 포함하는 {{ ^a 1 , ^a 2 , ^a 3 }, { a 2 , a 3 }, {a 1 , a 3 }, { a 1 , a 2 }} 가 된다 . 즉 정보 시스템 IS 에 서 코어는 주어진 인스턴스를 분류하는데 반드시 필요 한 속성을 의미하고 , ^{리덕트는 그 인스턴스를 분류하는}

데 부가적으로 필요한 속성을 의미한다 . 이것은 집합의 근사화 개념 즉 상한근사 (upper approximation) 와 하한 근사 (lower approximation) 에서 아주 중요한 특징이며 확률개념에 기반한 Dempster-Shafer 의 증거이론 (evidence theory) ^{과도 유사한 성질을 보여준다 [10,11]} .

다음으로 식별가능행렬에서 코어 속성과 리덕트 속 성을 계산하기 위해서 식 (3) 의 식별가능함수 를 계산한다 .

(3) .

U = { x

, , , x

… x

}

a A ∈

c

( ) = ^{ a A ^∈ : ^{a x ( ) a x}

^{≠ ( )}

^{} , , i j}

U = { x

, , … x

} ^A = ^{{ a}

^{, , , a}

^a

^{d }}

Core A ( ) = ^{ a A ^∈ : ^c

= ^{( ) a } , i j ,}

f A ( ) f A ( ) ⁽ ∑ δ x y ( ) , : ( ) U x y , ∈

and δ x y ( ) ∅ , ≠ ⁾

x y, ( ) U2

∏

=

Fig. 4. Example of discretized interval with three labels.

Table 3. Example rule table

U A ^a

^a

^a

^d

x

1 1 2 1

x

1 1 3 1

x

2 2 1 2

x

2 2 3 3

x

1 2 1 2

x

2 1 3 3

Table 4. Example 1 discernibility matrix

U U ^x

^x

^x

^x

^x

^x

x

- - a

, a

, a

a

, a

, a

a

, a

a

, a

x

- - ^a

, ^a

, ^a

^a

, ^a

^a

, ^a

^a

x

a

, ^a

, ^a

a

, ^a

, ^a

- ^a

- ^a

, ^a

x

a

, a

, a

a

, a

a

- a

, a

-

x

a

, a

a

, a

- a

, a

- a

, a

, a

x

a

, a

a

a

, a

- a

, a

, a

-

는 최소 논리곱 정규형 (conjunctive normal normal form, CNF) 을 의미하며 , 최종적으로 코어와 리덕트를 계산하기 위해 부울 대수의 흡수법칙

(absorption law) ^{을 이용한다} .

예제 2) Table 4 의 식별가능행렬로부터 식별가능함

수 의 사용 예 .

= ( ^a 1 + ^a 2 + ^a 3 )( ^a 1 + ^a 2 + ^a 3 )( ^a 2 + ^a 3 )( ^a 1 + ^a 3 ) ( a 1 + a 2 + a 3 )( a 1 + a 2 )( a 2 + a 3 ) a 1 a 3 ( a 2 + a 3 ) ( ^a 1 + ^a 3 )( ^a 1 + ^a 2 + ^a 3 )

=( a 2 + a 3 )( a 1 + a 3 ) a 1 a 3

= a 1 a 3

{ a 1 , a 3 } 는 식별가능함수 의 요소 즉 리덕트를 의미한다 . 따라서 식 (2) 와 (3) 에 의해서 속성 { a 1 , a 3 }

은 Table 4 ^{의 식별가능행렬에서 코어 속성인 동시에}

리덕트 속성을 의미하고 , 속성 a 2 는 불필요한 속성이 라는 것을 나타낸다 .

마지막으로 식 (3) ^{으로부터 얻은 리덕트 속성을 근}

거로 오브젝트들의 불필요한 속성값들을 제거하기 위 해서 식 (4) 의 식별가능함수 를 계산한다 .

(4)

예제 3) ^{리덕트 속성} { ^a 1 , ^a 3 } ^{만으로 재구성된} Table 4 ^의

식별가능행렬에서 불필요한 속성값의 제거에 관한 예 . (A) = ( ^a 1 + ^a 3 )( ^a 1 + ^a 3 ) ^a 3 ( ^a 1+ a 3 )= ^a 3 ,

(A) = ( a 1 + a 3 ) a 1 a 3 a 1= a 1 a 3 ,

(A) = ( a 1 + a 3 )( a 1 + a 3 ) a 3 a 3 = a 3 , (A) = ( ^a 1 + ^a 3 ) ^a 1 a 3 ( ^a 1+ a 3 ) = ^a 1 a 3 , (A) = a 3 a 3 ( a 1+ a 3 )( a 1 + a 3 ) = a 3

(A) = ( a 1 + a 3 ) a 1 a 3 ( a 1+ a 3 ) = a 1, a 3

식 (4) 를 이용하여 각 오브젝트의 불필요한 속성값을 제거한 결과 , 3 개의 오브젝트 x 1 , x 3 , x 5 는 조건부 속성 a 1

의 값이 불필요한 속성값이라는 것을 나타낸다 . ^따라서 Table 6 과 같은 최종 규칙 테이블이 생성되고 , 이들 규칙 패턴만을 사용하더라도 신체활동상태를 결정할 수 있다 .

3. 실험 및 결과

3 축 가속도 센서를 이용한 신체활동상태 실험은 생체 센서노드와 가속도 센서보드를 가슴착용형으로 일체 제 작하여 건강상태가 양호한 성인 ( ^연령 29 ^세 ) ^남 ( ^신장 173 cm, 체중은 65 kg) 1 명을 대상으로 하였으며 , 피실험

자의 가슴 중앙 부위에 Fig. 5 와 같이 착용시키고 ,

Standing, Walking, Running ^{의 동작 상태를 수행하여 피실}

험자의 신체의 움직임에 따라 변화하는 신체 가속도 데 이터를 측정하였다 . 본 실험은 러닝머신 위에서 Walking, Running ^{동안의 신체의 움직임에 따른 신호를} 3 ^{축 가속}

δ x y ( ) ,

∑

x y, ( ) U2

∏

f A ( ) f A ( )

f A ( )

f

( ) A

f

( ) A ⁽ ∑ δ x y ( ) , : y U ∈ and δ x y ( ) ∅ , ≠ ⁾

y U

∏

=

f

f

f

f

f

f

Table 5. Example 2 discernibility matrix

U U ^x

^x

^x

^x

^x

^x

x

- - a

, a

a

, a

a

a

, a

x

- - a

, a

a

a

a

x

a

, a

a

, a

- a

- a

x

a

, ^a

a

a

- ^a

, ^a

-

x

a

a

- ^a

, ^a

- ^a

, ^a

x

a

, a

a

a

- a

, a

-

Table 6. Final rule table

U A ^a

^a

^d

x

- 2 1

x

1 3 1

x

, x

- 1 2

x

, ^x

2 3 3

Fig. 5. Physical activity measurement system: (a) the belt- type(body sensor node) sensor worn on the chest, (b) implemented body sensor node.

Fig. 6. Physical acceleration signals during standing,

walking and running.

도 센서를 사용하여 측정하였다. 피실험자에게 Standing, Walking, Running 동작을 수행하도록 한 후 측정한 신체 가속도의 출력신호 변화 결과는 Fig. 6과 같다.

Running 동작 중 측정된 가속도 신호는 Walking 동 작보다 진폭 변화가 많은 것을 알 수 있었으며, 본 실험 에서 얻은 결과 데이터는 Standing, Walking, Running에

대하여 각각 1,000개의 데이터를 획득하였고, 3축 가속 도 센서로부터 얻은 총 3,000개의 데이터 셋(data set) 을 이용하여 신체활동상태를 정성적으로 평가하였다.

실험에 사용된 모든 프로그램은 Matlab 2008에서 구현 되었고, 사용된 데이터 셋의 특징은 다음과 같다: i) 입 력속성의 수: 3개, ii) 출력속성의 수: 1개, iii) 출력속성 의 라벨(클래스)의 수: 3개(standing, walking, running), iv) 인스턴스들의 수: 3,000개(standing: 1,000개, walking:

1,000개, running: 1,000개). Fig. 7은 실험에서 사용된 데이터 셋의 공간적인 분포를 보여준다. ‘o’, ‘*’, ‘+’

는 3개의 출력 클래스, Standing, Walking, Running을 의미하고, 서로 다른 2개의 축에서 Walking과 Running 의 데이터 분포가 Standing의 데이터 분포에 비해 상대 적으로 밀집되어 있음을 볼 수 있다.

제안된 방법에서는 신체활동상태의 정성적인 평가를 위해 데이터의 공간적인 분포를 고려하여 각 속성의 값들을 이산화 하였다. Table 7은 2장에서 논의된 이산 화 방법 중 단계 1과 2로부터 계산된 해당 클래스별 입력 속성 값들의 구간을 나타낸 것이다.

Fig. 7. Spatial distribution of data set obtained from tri- axial accelerometer: (a) data distribution between X-Y axis, (b) data distribution between Y-Z axis, (c) data distribution between Z-X axis.

Table 7. Attribute intervals

클래스 속성

입력 속성구간

X Y Z

Standing [1,754, 1,931][2,854, 2,975][2,123, 2,295]

Walking [2,178, 2,979][2,603, 3,310][2,435, 2,886]

Running [2,138, 3,011] [2,511, 3,475] [2,382, 2,971]

Table 8. Discretization criteria

속성 항

입력 속성

X Y Z

Slow [1,754, 1,931][2,854, 2,975][2,123, 2,382) Moderate [2,178, 2,979] [2,603, 2,854)

(2,975, 3,310] or [2,435, 2,886]

Fast (1,931, 2,178) (2,979, 3,011] or

[2,511, 2,603) (3,310, 3,475] or

[2,382, 2,435) (2,886, 2,971] or

Table 9. Rule patterns

규칙패턴 속성

입력 속성 출력 속성 X Y Z Class 빈도수

R1 S S S Standing 1,000

R2 M S M Walking 555

R3 M M M 445

R4 M S M

Running

R5 M M M 258 644

R6 M M F 5

R7 M F M 78

R8 M F F 10

R9 F S M 1

R10 F M M 3

R11 F F M 1

S: Slow, M: Moderate, F: Fast

Table 7과 Fig. 7에서 알 수 있듯이, 클래스 Standing 은 선형적인 분리가 가능함을 볼 수 있다. 실험에서는 이들 클래스별 입력 속성구간과 Table 8의 분할기준을 근거로 각 분할구간을 언어적인 항으로 변환하였다(단 계 3 참조).

Table 8에서 Slow에 대한 3축의 언어적인 구간은 각

각 1,754 ≤ X ≤ 1,931, 2,854 ≤ Y ≤ 2,975, 2,123 ≤ Ζ ≤ 2,382 로 변환하였고, 나머지 2개의 언어적인 구간도 동일한

방법으로 변환하였다. 또한 주어진 3,000개의 인스턴 스를 언어적인 구간으로 변환한 후 Table 9와 같은 규 칙패턴들을 추출하였다.

Table 9에서 R2, R3, R4, R5는 서로 다른 클래스들 이 동일한 규칙패턴을 포함할 때의 규칙패턴(즉 충돌 된 규칙) 들을 나타내고, 빈도수 항목은 3,000개의 인 스턴스들이 해당 규칙패턴에 대응될 때의 합을 의미한 다. 그러나 생성된 11개의 규칙패턴들 중에서 규칙패 턴 R2와 R4, R3와 R5는 클래스 Walking과 Running에

서 규칙들이 서로 충돌함을 볼 수 있다. 제안된 방법에 서는 이러한 제약점을 개선시키기 위해 규칙들간의 커 플링(충돌)의 문제를 최소화하기 위한 ^[12] 방법을 이용 하여 각 인스턴스로부터 대응된 규칙패턴의 빈도수를 고려하여 충돌문제를 최소화하였고, 그 결과는 Table 10에서 나타내었다.

2.3절에서 논의된 것처럼, Table 10의 후보 규칙패턴 들 중에서 입력 속성의 불필요한 속성 값들을 제거하 기 위해 식 (1~3)을 이용하여 다음과 같이 러프집합의 식별가능행렬과 식별가능함수 를 유도하였다.

f(R) = (X+Z)(X+Y+Z)(X+Y+Z)(X+Y+Z) (X+Z)(X+Y+Z)(X+Y+Z)Y(Y+Z) (Y+Z)(Y+Z)X(X+Y)(X+Y)

=(X+Z)XY=XY

위의 식별가능함수 f (R)의 결과로부터 조건부 속성 X 와 Y는 식별가능행렬에서 코어 속성인 동시에 리덕트 속 성으로 사용될 수 있음을 볼 수 있다. 이와 같은 사실을 근거로 각 규칙의 불필요한 속성 값들을 식 (4)를 이용하 여 제거한 후 Table 11과 같은 결과를 얻을 수 있었다.

f(R 1 )= X(X+Y)(X+Y)(X+Y)(X+Y) = X, f(R 2 )= XYYYYX(X+Y)(X+Y)=XY, f(R 3 )= f (R 4 ) = f (R 5 ) = f (R 6 ) =(X+Y)Y=Y, f(R 7 )=X,

f ( ) A Table 10. Candidate rule patterns

속성 규칙패턴

입력 속성 출력 속성 빈도수 X Y Z Class

R1 S S S Standing 1,000

R2 M S M Walking 555

R3 M M M

Running

R4 M M F 644 5

R5 M F M 78

R6 M F F 10

R7 F S M 1

R8 F M M 3

R9 F F M 1

Table 11. Rule patterns after removing the redundant attribute values

규칙패턴 속성 조건부 속성 의사결정부 속성 X Y Z Class

R1 S - - Standing

R2 M S - Walking

R3 - M -

Running

R4 - M -

R5 - F -

R6 - F -

R7 F - -

R8-1 F - -

R8-2 - M -

R9-1 F - -

R9-2 - F -

Table 12. Final pattern rules

규칙패턴 속성 조건부 속성 의사결정부 속성 X Y Z Class

R1 S - - Standing

R2 M S - Walking

R3 - M -

Running

R4 - F -

R5 F - -

Table 13. Comparison result before and after rule reduction

속성 감축 전 속성 감축 후 규칙 수 정확도 규칙 수 정확도

Standing 1 1,000

(100 %) 1 1,000

(100 %)

Walking 1 555

(55.5 %) 1 555

(55.5 %)

Running 7 742

(74.2 %) 3 742

(74.2 %)

Total 9 2,297

(76.6 %) 5 2,297

(76.6 %)

f (R 8 )= f (R 9 ) =(X+Y)(X+Y)=X+Y

Table 11 ^에서 ‘-’ ^은 Table 10 ^{의 후보} 규칙패턴에서 제거된 속성 값들을 의미하고 , R8-1 과 R8-2, R9-1 과

R9-2 는 규칙 R 8 과 R 9 의 선택 가능한 2 가지 형태의 리

덕트 속성 ( 즉 조합 가능한 리덕트의 속성 수는 4 가지 )

을 나타낸다 . 따라서 최적의 규칙패턴을 추출하기 위해 서 조합 가능한 리덕트의 속성들 가운데 상대적인 빈 도가 높은 속성 값을 선택함으로써 Table 12 와 같은 최종 규칙패턴을 획득할 수 있었다 .

결과적으로 Table 12 ^{에서 보여주는 것처럼} , ^입력속성 X, Y, Z 중에서 속성 Z 는 3 가지 신체활동상태를 결정하 는데 있어서 속성집합 {X, Y, Z} 와 {X, Y} 의 의존성이 서로 동일하기 때문에 속성 Z ^{는 불필요한 속성} ( ^{즉 중복}

속성 ) 임을 알 수 있다 . 또한 Table 12 와 Table 10 의 규 칙패턴을 비교해볼 때 , 불필요한 속성 값을 제거한 후 생성된 최종 규칙패턴이 규칙의 수와 규칙의 해석측면 에서 보다 효과적이라는 사실을 보여주고 , Table 13 에 서 알 수 있듯이 , 분류 정확성 측면에서도 불필요한 속 성을 제거하기 전과 후에 동일한 결과를 제공함을 볼 수 있다 .

4. 결 론

본 논문에서는 신체활동상태의 정보를 수집하기 위 해서 생체센서노드와 가속도 센서보드를 가슴착용형으 로 제작한 장치를 피실험자의 가슴중앙 부위에 착용시 켰고 , ^{추출된 데이터로부터 규칙패턴을 추출하기 위해}

서 데이터의 공간적인 분포를 고려한 데이터 이산화와 규칙생성 방법을 제안하였다 . 또한 생성된 규칙패턴들 간의 중복속성을 제거하기 위해서 러프집합의 근사화 개념을 이용하여 규칙패턴을 간략화 할 수 있는 방법 에 대해서도 논의하였다 .

제안된 방법의 타당성을 보이기 위해서 규칙감축 전 과 후의 규칙 수와 분류 정확도를 비교하였고 , 그 결과 불필요한 속성 값을 제거한 후 생성된 규칙패턴이 규 칙의 수와 해석측면에서 보다 효과적임을 보였으며 , ^분

류 정확성 측면에서도 동일한 결과를 제공할 수 있음 을 보였다 . ^{따라서 제안된 방법이 연속 혹은} 이산적인 분포를 가진 데이터로부터 규칙을 생성하고 , 생성된 규 칙에서 과다한 중복성을 가진 패턴들을 줄이는데 효과 적으로 사용될 수 있을 것으로 판단된다 . 향후연구과제 로는 명목형 또는 혼합형 속성값을 가진 데이터 이산 화방법으로의 확장과 여러 학습기법 (neural network, genetic algorithm, particle swarm optimization) ^{에 기반}

을 둔 규칙감축방법과의 비교연구가 필요하다 .

감사의 글

본 연구는 지식경제부 지방기술혁신사업 (RTI 04-01- 01) 지원으로 수행되었음 .

참고 문헌

[1] J. Fahrenberg, F. Foerster, M. Smeja, and W. Muller,

“Assessment of posture and motion by multichannel piezoresistive accelerometer recordings”, Psycho- physiology . vol. 34, no. 5, pp. 607-612, 1997.

[2] J. Mantyjarvi, J. Himberg, and T. Seppanen, “Rec- ognizing human motion with multiple acceleration sensors”, Proc. of IEEE international conference on Systems , Man and Cybernetics, pp. 747-752. 2001.

[3] K. Aminian, P. Robert, E. Jequier, and Y. Schutz,

“Estimation of speed and incline of walking using neural network”, IEEE Transaction on Instrumentation and Measurement , vol. 44, no. 3, pp. 743-746, 1995.

[4] M. Sekine., T. Tamuar, M. Akay, T. Fujimoto, T.

Togawa, and Y. Fukui, “Discrimination of walking patterns using wavelet-based fractal analysis”, IEEE Transactions on Neural Systems and Rehabilitation Engineering , vol. 10, no. 3, pp. 188-196, 2002.

[5] S. Y. Cho, C. G. Park, and G. I. Jee, “Measurement system of walking distance using low-cost acceler- ometers”, Proc. of the 4th Asian Control Confer- ence , Singapore, pp.1799-1803, 2002.

[6] M. Nyan, F. Tay, Seah, K. Seah, and Y. Sitoh, “Clas- sification of gait patterns in the time-frequency domain”, Journal of Biomechanics , vol. 39, no. 14, pp. 2647-2656, 2005.

[7] Z. Pawlak, “Rough sets”, International Journal of Computer and Information Sciences , vol. 11, no. 5, pp. 341-356, 1982.

[8] Z. Pawlak, Rough sets: Theoretical aspects of rea- soning about data, Kluwer Academic Publisher, Dordrecht, Netherlands, 1991.

[9] R. Slowinski and J. Stefanowski, “Rough classifi- cation in incomplete information systems”, Mathe- matical and Computer Modeling , vol. 12, no. 10-11, pp. 1347-1357, 1989.

[10] Z. Pawlak, J. Grzymala-Busse, R. Slowinski, and W.

Ziarko, “Rough sets”, Communications of the ACM , vol. 38, no. 11, pp. 89-95, 1995.

[11] Z. Pawlak, “Rough set approach to knowledge- based decision support”, European Journal of Oper- ational Research , vol. 99, no. 1, pp. 48-57, 1997.

[12] 손창식 , 정환묵 , 서석태 , 권순학 , “ 규칙의 커플링문

제를 최소화하기 위한 퍼지 - 러프 분류방법 ”, 한국 퍼 지 및 지능시스템학회 논문지 , 제 17 권 , 제 4 호 , pp.

460-465, 2007.

[13] Young-Dong Lee and Wan-Young Chung, “Wireless sensor network based wearable smart shirt for ubiqui- tous health and activity monitoring”, Sensors and Actu- ators B: Chemical , vol. 140, no. 2, pp. 390-395, 2009.

[14] 이영동 , 정완영 , “유비쿼터스 헬스케어를 위한 센서

네트워크 기반의 심전도 및 체온 측정 시스템 : 1. 센 서 네트워크 플랫폼 구축 ”, 센서학회지 , 제 15 권 , 제

5 호 , pp. 362-370, 2006.

[15] 정도운 , 정완영 , “3 축 가속도 센서를 이용한 자세 및 활동 모니터링 ”, 센서학회지 , 제 16 권 , 제 6 호 , pp. 467- 474, 2007.

이 영 동

• 2004년 동서대학교 정보통신공학과 졸업 (공학사)

• 2006년 동서대학교 소프트웨어전문대학 원 컴퓨터네트워크학과 졸업(공학석사)

• 2009년 동서대학교 디자인 & IT전문대학 원 유비쿼터스IT학과 졸업(공학박사)

• 2009년 ~ 현재 계명대학교 생체정보기술 개발사업단 연구교수

• 주관심분야: 유비쿼터스 헬스케어, 무선 센서네트워크.

정 완 영

• 1987년 경북대학교 전자공학과 졸업(공 학사)

• 1989년 동 대학원 전자공학과(공학석사)

• 1998년 일본 규슈대학 총합이공학연구과 (공학박사)

• 1999년 ~ 2008년 동서대학교 컴퓨터정보 공학부 부교수

• 2008년 ~ 현재 부경대학교 전자컴퓨터정 보통신공학부 교수

• 주관심분야: 유비쿼터스 센서네트워크, 마이크로센서, 유비쿼터스 헬스케어.

김 윤 년

• 1980년 경북대학교 의학과 졸업(의학사)

• 1983년 경북대학교 대학원 의학과 졸업 (의학석사)

• 1987년 경북대학교 대학원 의학과 졸업 (의학박사)

• 1984년 ~ 현재 계명대학교 의과대학 내과 학교실 교수

• 주관심분야: 부정맥, 의료정보시스템, u- Healthcare

손 창 식

• 2000년 대구가톨릭대학교 컴퓨터정보통 신공학부(공학사)

• 2002년 대구가톨릭대학교 대학원 전산통 계학과(이학석사)

• 2006년 대구가톨릭대학교 대학원 컴퓨터 정보통신공학부(공학박사)

• 2004년 ~ 2008년 대구가톨릭대학교 컴퓨 터정보통신공학부 강의전담교수

• 2007년 ~ 2009년 영남대학교 전기공학과 박사후연구원

• 2009년 ~ 현재 계명대학교 생체정보기술 개발사업단 연구교수

• 주관심분야: 임상의사결정시스템, 데이터 마이닝

박 희 준

• 1999년 경북대학교 전자공학과 졸업(공 학사)

• 2001년 금오공과대학교 대학원 전자공학 과 졸업(공학석사)

• 2006년 경북대학교 대학원 전자공학과 졸업(공학박사)

• 2006년 ~ 현재 계명대학교 의과대학 의료 정보학교실 연구강사

• 주관심분야: 생체신호처리, u-Healthcare