[논문 리뷰] Machine Learning based Anomaly Detection for Smart Shirt: A Systematic Review

E. C. Nunes|arXiv (Cornell University)|2022. 03. 07.

Anomaly Detection Techniques and Applications인용 수 4

한 줄 요약

이 체계적 리뷰는 2017–2021년 사이의 11개의 연구를 분석하여 스마트 셔츠에서 기계학습 기반 이상 탐지 기술을 다루며, 주로軋동 탐지, 심장 부정맥, 자세 이상을 중심으로 다룬다. 연구 결과, 지도 학습, 특히 서포트 벡터 머신(SVM)이 헥소스킨 등의 장치에서 수집한 센서 데이터를 사용하여 90% 이상의 정확도를 달성하는 것으로 나타났으며, 특히軋동 탐지가 가장 흔한 이상 유형임을 확인하였다.

ABSTRACT

In recent years, the popularity and use of Artificial Intelligence (AI) and large investments on theInternet of Medical Things (IoMT) will be common to use products such as smart socks, smartpants, and smart shirts. These products are known as Smart Textile or E-textile, which has theability to monitor and collect signals that our body emits. These signals make it possible to extractanomalous components using Machine Learning (ML) techniques that play an essential role in thisarea. This study presents a Systematic Review of the Literature (SLR) on Anomaly Detection usingML techniques in Smart Shirt. The objectives of the SLR are: (i) to identify what type of anomalythe smart shirt; (ii) what ML techniques are being used; (iii) which datasets are being used; (iv)identify smart shirt or signal acquisition devices; (v) list the performance metrics used to evaluatethe ML model; (vi) the results of the techniques in general; (vii) types of ML algorithms are beingapplied.The SLR selected 11 primary studies published between 2017-2021. The results showed that6 types of anomalies were identified, with the Fall anomaly being the most cited. The Support VectorMachines (SVM) algorithm is most used. Most of the primary studies used public or private datasets.The Hexoskin smart shirt was most cited. The most used metric performance was Accuracy. Onaverage, almost all primary studies presented a result above 90%, and all primary studies used theSupervisioned type of ML.

연구 동기 및 목표

• 스마트 셔츠에서 기계학습을 활용해 탐지되는 이상 유형을 특정하기.
• 기존 연구에서 사용된 기계학습 기법, 데이터셋, 성능 지표를 분석하기.
• 스마트 셔츠에서 생리적 및 행동 이상을 탐지하는 데 있어 기계학습 모델의 성능 평가하기.
• 현재 연구에서 가장 자주 사용되는 스마트 셔츠 또는 신호 측정 장치를 규명하기.
• 웨어러블 섬유에서 실시간 이상 탐지에 대한 지도 학습의 최신 기술 수준 평가하기.

제안 방법

• 키친햄과 찌아르트의 방법론을 따르는 체계적 문헌 리뷰(SLR)를 수행하여 관련 1차 연구(2017–2021)를 식별하였다.
• 사전 정의된 포함 및 배제 기준에 따라 11개의 고품질 1차 연구를 선정하였다.
• 이상 유형, 기계학습 알고리즘, 데이터셋, 신호 측정 장치, 성능 지표, 모델 성능 결과 등의 데이터를 추출하였다.
• 기계학습 기법을 지도 학습으로 분류하였으며, 이상 탐지에 대한 분류 성능에 중점을 두었다.
• 정확도, 정밀도, 재현율, F1-스코어, 특이도와 같은 표준 지표를 사용하여 모델 성능을 평가하였다.
• 알고리즘 인기, 센서 유형(예: 가속도계, 심전도), 기기 모델(예: 헥소스킨) 등의 추세를 파악하기 위해 결과를 매핑하였다.

실험 결과

연구 질문

• RQ1 기계학습을 활용해 스마트 셔츠에서 탐지되는 이상 유형은 무엇인가요?
• RQ2 스마트 셔츠에서 이상 탐지에 가장 흔히 적용되는 기계학습 기법은 무엇인가요?
• RQ3 이 분야에서 기계학습 모델을 훈련하고 평가하는 데 사용되는 데이터셋은 무엇인가요?
• RQ4 연구에서 가장 자주 사용되는 스마트 셔츠 또는 신호 측정 장치는 무엇인가요?
• RQ5 사용되는 성능 지표는 무엇이며, 정확도 및 분류 지표 측면에서 모델의 성능은 어떻게 되나요?

주요 결과

• 6종의 이상 유형이 확인되었으며, 그 중 '軋동'이 가장 자주 연구되었고, 11개의 1차 연구 중 5개에서 다뤄졌다.
• 서포트 벡터 머신(SVM)이 가장 널리 사용된 기계학습 알고리즘으로, 11개 연구 중 7개에서 적용되었다.
• 모든 연구에서 지도 학습을 사용하였으며, 거의 모든 경우에서 모델 정확도가 90%를 초과했으며, 90.01%에서 98.5%의 범위를 보였다.
• 헥소스킨 스마트 셔츠가 데이터 수집에 가장 자주 인용된 기기로, 여러 연구에서 사용되었다.
• 정확도가 가장 흔히 보고된 성능 지표였으며, 8개의 연구에서 사용되었고, 그 다음으로 F1-스코어, 정밀도, 재현율이 보고되었다.
• 가장 효과적인 모델들은 98% 이상의 정확도를 달성했으며(예: A1 및 A11에서의 SVM), 일부 사례에서는 특이도(98.5%)와 민감도(97.6%)도 매우 높았다.