다중 센서 스트림 데이터 유형을 활용한 딥러닝 신경망 설계와 적용
A Deep Neural Network Design Method using Multiple Sensor Stream Data Types and its Application
- 주제(키워드) Deep Learning , Multi Sensor Stream Data , IoT , 딥러닝 , 다중 센서 스트림 데이터 , IoT
- 주제(기타) 컴퓨터학
- 설명문(URI) https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002835035
- 관리정보기술 faculty
- 등재 KCI등재
- 발행기관 한국정보과학회
- 발행년도 2022
- URI http://www.dcollection.net/handler/ewha/000000191355
- 본문언어 한국어
초록/요약
최근 사물인터넷의 발달로, 방대한 센서 데이터들로부터 새로운 가치를 찾아내는 스트림 데이터의 분석이 중요해지고 있다. 또한, 대용량 데이터의 학습이 용이해짐에 따라, 딥러닝 기법을 적용하여 스트림 데이터를 분석하는 연구들이 진행되고 있다. 기존의 연구에서 분류 또는 회귀와 같은 분석 유형을 고려하여 딥러닝 신경망을 설계하고 있지만, 동일한 유형에 대해서도 다양한 구조의 신경망이 존재한다. 또한, 여러 스트림 데이터를 함께 분석하는 경우 각 데이터마다 주목해야 할 특징이 다를 수 있다. 그러나, 이러한 상황에서 적용할 수 있는 신경망 설계 기법에 대한 일관된 방법론이 존재하지 않는다. 따라서, 본 논문에서는 다중 센서 스트림 데이터에 대해, 각 스트림 데이터가 가진 특성에 기반하여 유형을 구분할 수 있는 규칙을 제시한다. 또한, 이러한 유형화 규칙에 기반한 일관된 딥러닝 신경망 설계 기법을 제안한다. 제안하는 기법을 헬스케어 분야에 사용되고 있는 다양한 바이오센서 데이터셋에 대해 실험하여, 기본 모델 대비 평균 정확도는 80.93%에서 92.76%로 향상되며, 학습시간의 경우 1081.27초에서 200.32초로 단축됨을 보였다. 이를 통해 제안하는 기법이 다중 센서 스트림 데이터를 분석하기 위한 딥러닝 신경망을 설계하는 데 효과적임을 확인하였다.
more초록/요약
With the development of the Internet of Things(IoT), it is becoming important to analyze stream data to find new values from massive sensor data. As the learning of large-capacity data becomes easier, various studies for analyzing stream data by applying a deep learning technique are being conducted. Although neural networks are designed for analyzing stream data for the types of analysis such as classification or regression, various structures of neural networks can exist for the same type. Also, when multiple stream data is analyzed together, meaningful characteristics may vary. However, no applicable consistent methodology for neural network design exists. Therefore, we present a rule to classify types based on the characteristics of each stream data. In addition, we propose a consistent deep learning neural network design technique based on these rules. We conducted experiments applying the proposed method to the various biosensor datasets used in healthcare research. The experiments show improvement from 80.93% to 92.76% in average accuracy, and a decrease from 1081.27 seconds to 200.32 seconds in training time compared to the basic model. Finally, it was confirmed that our method is effective in designing a deep learning neural network to analyze multi-sensor stream data.
more