[논문 리뷰] Recognition of Smoking Gesture Using Smart Watch Technology

Casey A. Cole, Bethany Janos외 4명|arXiv (Cornell University)|2020. 03. 05.

Smoking Behavior and Cessation참고 문헌 9인용 수 6

한 줄 요약

이 연구는 스마트워치의 가속도계 데이터를 사용하여 인공신경망(ANN)을 통해 흡연 자세를 감지하는 것을 제안하며, 식사나 음료 섭취, 코 긁기와 같은 유사한 동작들 중에서 흡연 자세를 85%-95%의 정확도로 식별한다. x축 가속도계 데이터가 가장 효과적이었으며, Apple Watch 데이터로 학습하고 Pebble Steel 데이터로 테스트할 경우 교차 기기 일반화 성능이 90% 이상을 기록한다.

ABSTRACT

Diseases resulting from prolonged smoking are the most common preventable causes of death in the world today. In this report we investigate the success of utilizing accelerometer sensors in smart watches to identify smoking gestures. Early identification of smoking gestures can help to initiate the appropriate intervention method and prevent relapses in smoking. Our experiments indicate 85%-95% success rates in identification of smoking gesture among other similar gestures using Artificial Neural Networks (ANNs). Our investigations concluded that information obtained from the x-dimension of accelerometers is the best means of identifying the smoking gesture, while y and z dimensions are helpful in eliminating other gestures such as: eating, drinking, and scratch of nose. We utilized sensor data from the Apple Watch during the training of the ANN. Using sensor data from another participant collected on Pebble Steel, we obtained a smoking identification accuracy of greater than 90% when using an ANN trained on data previously collected from the Apple Watch. Finally, we have demonstrated the possibility of using smart watches to perform continuous monitoring of daily activities.

연구 동기 및 목표

• 흡연 중단 개입을 지원하기 위해 웨어러블 가속도계 센서를 사용하여 흡연 자세를 감지하는 방법을 개발하는 것.
• 흡연 자세 식별에 가장 효과적으로 기여하는 가속도계 축(x, y, z)을 특정하는 것.
• 다른 스마트워치 기기(예: Apple Watch와 Pebble Steel) 간의 모델 일반화 성능을 평가하는 것.
• 일상적인 스마트워치 하드웨어를 사용하여 흡연 관련 행동을 지속적이고 실시간으로 모니터링할 수 있도록 하는 것.
• 식사, 음료 섭취, 코 긁기와 같은 유사한 일상 동작으로 인한 오진을 줄이는 것.

제안 방법

• 통제된 흡연 자세 시험 동안 Apple Watch에서 가속도계 데이터를 수집하였다.
• 수집된 센서 데이터를 기반으로 인공신경망(ANN)을 학습시켜 흡연 자세를 다른 유사한 자세와 분류하는 데 사용하였다.
• 각 가속도계 축(x, y, z)이 분류 성능에 기여하는 정도를 분석하여, x축이 가장 구분력이 높은 것으로 밝혀졌다.
• 다른 기기(Pebble Steel)에서 수집한 별도의 데이터셋을 사용하여 모델의 성능을 평가함으로써 교차 기기 일반화 능력을 테스트하였다.
• 흡연 동작의 특징적인 움직임과 관련된 가속도 데이터의 시간적 패턴을 분리하기 위해 특징 공학 기법을 적용하였다.
• 분류 성능 평가를 위해 정확도 지표를 포함한 표준 기계학습 평가 프로토콜을 적용하였다.

실험 결과

연구 질문

• RQ1 스마트워치 가속도계 데이터는 흡연 자세를 유사한 일상 활동과 신뢰성 있게 구분할 수 있는가?
• RQ2 흡연 자세 식별에 가장 구분력 있는 정보를 제공하는 가속도계 축(x, y, z)은 무엇인가?
• RQ3 Apple Watch에서 학습한 ANN 모델이 다른 기기(Pebble Steel)로 일반화되는 정도는 어느 정도인가?
• RQ4 일반 소매 스마트워치 센서를 사용하여 흡연 자세의 지속적이고 실시간 모니터링이 가능한가?
• RQ5 y축 및 z축 데이터의 포함이 흡연 자세 감지의 정밀도를 어떻게 향상시키는가?

주요 결과

• 인공신경망은 식사, 음료 섭취, 코 긁기와 같은 유사한 동작들 중에서 흡연 자세를 85%-95%의 정확도로 인식하였다.
• x축 가속도계 데이터가 흡연 자세 식별에 가장 효과적인 단일 정보원이었다.
• y축 및 z축 데이터를 통합함으로써 비흡연 자세로 오인되는 경우를 줄이는 데 도움이 되어 분류 성능이 향상되었다.
• Apple Watch 데이터로 학습한 모델은 다른 기기(Pebble Steel)로 일반화되어 해당 기기의 테스트 데이터에서 90% 이상의 정확도를 기록하였다.
• 본 연구는 자연주의적 환경에서 스마트워치를 활용하여 흡연 행동을 지속적이고 실시간으로 모니터링하는 것이 가능함을 입증하였다.
• 결과는 웨어러블 센서 데이터와 ANN을 사용하여 조기 흡연 복귀 감지 및 개입을 위한 확장 가능한 비침습적 도구로 활용할 수 있음을 뒷받침한다.