| 한글제목(Korean Title) |
CNN을 활용한 IoT 스트림 데이터 패턴 분류 기법 |
| 영문제목(English Title) |
Pattern Classification for IoT Stream Data using Convolutional Neural Networks |
| 저자(Author) |
김경주
오소연
이민수
Kyeongjoo Kim
Soyeon Oh
Minsoo Lee
|
| 원문수록처(Citation) |
VOL 35 NO. 02 PP. 0106 ~ 0115 (2019. 08) |
한글내용
(Korean Abstract) |
사물 인터넷(Internet of Things, IoT) 환경의 발달로 다양한 종류의 센서들로부터 대량의 데이터가 생성 되고 있으며, 이를 수집, 관리 및 분석하기 위한 빅데이터 기술이 중요해지고 있다. 최근에는 실시간으로 생성되는 대용량의 IoT 데이터 분석에 딥러닝 기술을 활용하여 특정 데이터 패턴이나 경향성의 분석을 수행하기 위한 연구가 진행되고 있다. 본 논문에서는 헬스케어 등 IoT 기반 서비스에의 활용 가능성이 높은 스트림데이터 중 하나인 ECG(Electrocardiogram, 심전도) 데이터에 대하여, 딥러닝 모델을 설계 및 적용함으로써 효율적인 분석을 가능하도록 하였다. 먼저, 스트림 ECG 데이터의 패턴 분류를 위하여 합성곱 신경망 (Convolutional Neural Networks, CNN) 기반의 딥러닝 모델을 설계하고, 이를 최적화하기 위한 다양한 파라미터들을 각각 모델의 구조와 학습에 관련한 파라미터들로 분리하여 실험을 설계 및 진행하였다. 또한, 분류 작업의 추가적인 성능 향상을 위하여 ECG 스트림 데이터에 대한 전처리 기법을 고안하여 적용해 보았다. 이러한 다양한 조건을 기반으로 설계된 실험들은 서로 다른 센서에서 서로 다른 목적으로 수집되어 서로 다른 특성을 갖는 두 가지의 ECG 스트림 데이터 세트에 대하여 각각 수행되었다. 그 결과, 레이어가 깊을수록 배치 크기가 큰 학습 모델일수록 IoT 스트림 데이터의 패턴 분류에 용이한 모델 구조라는 결론을 얻을수 있었다. |
영문내용
(English Abstract) |
These days due to the development of the Internet of Things environment, big data technology is becoming important for collecting and managing large amounts of data. Recent studies are being conducted to incorporate deep learning technology into Internet of Things(IoT) data analysis in order to classify the specific pattern and trends. In this paper, ECG(Electrocardiogram) data, which could be useful for IoT services, is the input steam data, and a deep learning model structure suitable for data characteristics is found, so that IoT data analysis is efficiently performed. In order to classify the IoT stream data pattern, the experiments were conducted to find the best suitable model structure using the convolutional neural networks. To optimize the CNN, various models and parameter values were used to design various experiments. Also to enhance the classification performance, a preprocessing step is added to the existing convolutional neural networks model. The model structure parameters and the model learning parameters are divided into two major conditions. The experiment environment is set up and applied to two time series data with different characteristics. It is concluded that the deeper the layer and the larger the batch size, the easier model structure for IoT data pattern classification. |
| 키워드(Keyword) |
IoT
stream data
deep learning
pattern analysis
스트림 데이터
딥러닝 패턴 분류
|
| 파일첨부 |
PDF 다운로드
|
