본 논문에서는 범주형 발바닥 압력으로부터 추출한 시간적으로 적응적인 가중치 누적 기반 특징을 이용하여 보행 중 활동 인식 및 보행자 식별을 위한 새로운 방법을 제안한다. 제안 방법은 압력 관련 세 가지 특징에 기반하며, 이는 서 있는 발의 압력을 각 보행 단계마다 세 가지 서로 다른 시간 가중 형태로 누적하여 계산한다. 또한 압력 변화를 반영하는 특징을 고려한다. 이 네 가지 특징은 시간에 따라 단계 압력 데이터를 서로 다르게 가중하여, 단계별로 서 있는 자세를 규명한다. 우리는 이러한 특징을 보행 중 서 있는 발을 분석하는 데 사용한 다음, 다층 다중 클래스 지지 벡터 머신 분류기들을 통해 보행 중 활동을 인식하고 보행자를 식별한다. 실험 결과, 연속된 8보를 분석할 때 두 과제 모두에서 제안 방법이 97%의 정확도를 달성함을 보였다. 더 빠른 처리를 위해서는, 각각의 과제를 두 보 연속을 고려하여 보행 중 활동 인식 및 보행자 식별에서 각각 89.9%와 91.3%의 정확도를 보이는 반면, 한 보만 고려할 때는 정확도가 각각 83.3%와 82.3%로 감소한다. 비교 결과는 정확도와 시간 민감도 측면에서 제안 방법의 높은 성능을 입증하였다.

본 연구에서는 스마트 신발의 가속도계 데이터를 이용한 장단기 기억(LSTM) 기반 사용자 식별 방법을 제안한다. 일반적으로 사람의 보행 데이터를 이용한 사용자 식별에서는, 보행 데이터를 개별 걸음 단위로 분할하기 위한 전처리 단계가 필요하다. 다음으로 분할된 걸음 데이터를 사용하여 사용자 식별을 수행할 수 있다. 그러나 이러한 접근에서 단일 걸음을 완성하기에 충분하지 않은 부분 데이터가 존재하는 경우, 해당 데이터를 분류에 적용하기 어렵다. 이러한 점을 고려하여, 본 연구에서는 스마트 신발 데이터에 대한 스택 LSTM 기반 사용자 식별 방법을 제시한다. 복잡한 분석 방법을 사용하는 대신, 스마트 신발의 가속도계 데이터로 사용자 식별을 수행하기 위한 LSTM 네트워크를 설계하였다. 부분 데이터를 학습하기 위해, LSTM 네트워크는 보행 데이터의 크기와 위치를 무작위로 하여 학습하였다. 그 후에는 걸음 분할과 같은 추가 분석 없이도 식별을 수행할 수 있다. 실험에서는 10 m 보행 데이터를 사용하였다. 실험 결과, 각각 2.6, 3.9, 5.2 s의 보행 데이터를 사용한 경우 평균 인식률이 약 93.41%, 97.19%, 98.26%로 나타났다. 이러한 실험 결과를 통해, 제안한 방법이 사용자를 효과적으로 분류할 수 있음을 보인다.

본 논문에서는 범주형 발바닥 압력으로부터 추출한 시간적으로 적응적인 가중치 누적 기반 특징을 이용하여 보행 중 활동 인식 및 보행자 식별을 위한 새로운 방법을 제안한다. 제안 방법은 압력 관련 세 가지 특징에 기반하며, 이는 서 있는 발의 압력을 각 보행 단계마다 세 가지 서로 다른 시간 가중 형태로 누적하여 계산한다. 또한 압력 변화를 반영하는 특징을 고려한다. 이 네 가지 특징은 시간에 따라 단계 압력 데이터를 서로 다르게 가중하여, 단계별로 서 있는 자세를 규명한다. 우리는 이러한 특징을 보행 중 서 있는 발을 분석하는 데 사용한 다음, 다층 다중 클래스 지지 벡터 머신 분류기들을 통해 보행 중 활동을 인식하고 보행자를 식별한다. 실험 결과, 연속된 8보를 분석할 때 두 과제 모두에서 제안 방법이 97%의 정확도를 달성함을 보였다. 더 빠른 처리를 위해서는, 각각의 과제를 두 보 연속을 고려하여 보행 중 활동 인식 및 보행자 식별에서 각각 89.9%와 91.3%의 정확도를 보이는 반면, 한 보만 고려할 때는 정확도가 각각 83.3%와 82.3%로 감소한다. 비교 결과는 정확도와 시간 민감도 측면에서 제안 방법의 높은 성능을 입증하였다.

본 연구에서는 스마트 신발의 가속도계 데이터를 이용한 장단기 기억(LSTM) 기반 사용자 식별 방법을 제안한다. 일반적으로 사람의 보행 데이터를 이용한 사용자 식별에서는, 보행 데이터를 개별 걸음 단위로 분할하기 위한 전처리 단계가 필요하다. 다음으로 분할된 걸음 데이터를 사용하여 사용자 식별을 수행할 수 있다. 그러나 이러한 접근에서 단일 걸음을 완성하기에 충분하지 않은 부분 데이터가 존재하는 경우, 해당 데이터를 분류에 적용하기 어렵다. 이러한 점을 고려하여, 본 연구에서는 스마트 신발 데이터에 대한 스택 LSTM 기반 사용자 식별 방법을 제시한다. 복잡한 분석 방법을 사용하는 대신, 스마트 신발의 가속도계 데이터로 사용자 식별을 수행하기 위한 LSTM 네트워크를 설계하였다. 부분 데이터를 학습하기 위해, LSTM 네트워크는 보행 데이터의 크기와 위치를 무작위로 하여 학습하였다. 그 후에는 걸음 분할과 같은 추가 분석 없이도 식별을 수행할 수 있다. 실험에서는 10 m 보행 데이터를 사용하였다. 실험 결과, 각각 2.6, 3.9, 5.2 s의 보행 데이터를 사용한 경우 평균 인식률이 약 93.41%, 97.19%, 98.26%로 나타났다. 이러한 실험 결과를 통해, 제안한 방법이 사용자를 효과적으로 분류할 수 있음을 보인다.

요즘 젊은 세대 사이에서 음악, 비디오, 공연 예술 및 창의적 콘텐츠의 인기가 높아지면서, 위와 같은 산업에서 자신이 직접 온라인 커리어를 시작하고자 하는 사람들의 수가 증가하는 현상이 관찰된다. 그중에는 자발적으로 활동을 시작한 예술가, 댄서, 코치가 있다. 자신의 기술의 진정성을 검증해 줄 공인된 기관이 없다는 점에서, 궁극적으로는 창작자 전문화의 붐, 그에 따른 큰 영향력, 그리고 그로 인해 내포되는 건강 및 안전상의 위험 때문에, 기관이 인정하되 반드시 기관이 제작한 것은 아닌 온라인 자동화 기반의 자기인증 방법이 필수적일 것이다. 이 분야에서는 여전히 많은 개선이 필요하다. 본 논문은 블록체인 인증 시스템을 탐구하고, 이를 무용 오디션 시스템에서 기술 분류 및 선별 단계로 적용할 수 있는 가능성을 다룬다. 여기서 도출된 결과는 무용 및 피트니스 애플리케이션에 적용될 예정이다.

본 논문에서는 CAV(connected and autonomous vehicle) 기술의 연결성과 미리보기(preview) 정보를 활용하는 실시간 에너지-최적 전략을, 가상 도로 및 신호등 시스템을 갖춘 실차-인-루프(vehicle-in-the-loop) 시험대에서 실차 탑재(on-board) 컴퓨팅 방법과 연계된 실험 분석을 통해 검증한다. 미리보기 정보를 활용하는 전동화(electrified) 차량용 서비스 지향 기술로서 에너지-최적 감속 계획/추종 시스템(EDPS)이 마이크로컨트롤러에 적용되며, 주어진 시스템 아키텍처에서 데이터 접근 경로와 위치를 최적화하여 연산 시간을 단축한다. 또한 임베디드 컨트롤러의 연산 자원을 효율적으로 운용하고 연산 부하를 분산하기 위해 두 가지 유형의 멀티코어 전략을 비교 분석하였으며, 전략 비교 결과 목표 코어를 사전에 고려한 기능 수준의 작업 분할이 연산 부하를 실질적으로 감소시킬 수 있음을 시사한다. 가상 도로 및 CAV 기술 기반 정보를 사용한 실차-인-루프 시뮬레이션(VILS)에서, 임베디드 EDPS 계획 결과는 상용 자동차용 마이크로컨트롤러에서 에너지-최적 속도 프로파일이 적절히 계산되면서, 주어진 시간 제약 내에서 실시간 데이터 입력/출력을 안정적으로 처리하고 최적 계획을 수행함을 보여준다.

인간 활동 인식(Human Activity Recognition, HAR)은 인간 관련 신호처리 분야에서 어려운 과제이다. 웨어러블 감지 기술의 발전에 힘입어, HAR에서 새롭게 부상하는 연구 접근법은 웨어러블 센서로부터 수집된 데이터를 이용하여 사용자가 수행한 작업을 식별하는 것이다. 본 논문에서는 시중에서 구할 수 있는 스마트 밴드와 두 개의 스마트 신발을 사용하여 일상생활 활동을 모니터링하고 인식하기 위한 새로운 시스템을 제안한다. 이 시스템은 신체 부위 배치에 관한 문제, 다중모달 센서의 융합, 그리고 특정 활동 집합에 대한 특징 선택을 해결하기 위한 유용한 도구를 제공하는 것을 목표로 한다. 이 시스템은 손목과 발에서 관성(inertial) 및 족저(plantar) 압력 데이터를 수집하여 분석하고, 인식에 필요한 주요 특징을 추출·선택한다. 우리는 축소된 특징 집합으로부터 활동을 분류하기 위한 두 개의 예측 모델을 구성하고 비교한다. 각 웨어러블 기기의 분류 성능과 융합 방식에 대한 비교를 제시함으로써, 활동 인식에 가장 적절한 신체 부위가 손목인지 발인지 규명한다. 또한 이러한 비교는 제안된 시스템의 효과적인 HAR 성능을 보여주었다.

본 논문에서는 반복학습제어(ILC)에서 방사선 유발 소프트 오류가 미치는 영향을 연구하고, 소프트 오류에 대해 ILC 시스템이 견고하도록 하기 위한 보상 기법을 제시한다. 소프트 오류는 일시적으로 메모리에서 발생하는 전이성 결함으로, 에너지 입자가 트랜지스터의 민감 영역을 주로 고방사선, 고온, 고압과 같은 비정상 조건에서 타격할 때 발생한다. 이러한 소프트 오류는 컨트롤러에 대한 어떠한 통지 없이 비트 값 변화를 일으키고, 시스템의 안정성에 영향을 주며, 치명적인 결과를 초래할 수 있다. 먼저, 우리는 ILC 시스템에서 소프트 오류의 영향을 조사하고 분석한다. 분석 연구에 따르면, ILC의 출력 데이터에서 단일 소프트 오류가 발생하면 학습 제어의 성능이 크게 저하된다. 둘째, 우리는 소프트 오류로 인한 부정확한 출력을 보상하기 위해 ILC에서 시스템 추상화 수준 전반에 걸쳐 기존 기법들을 통합하여 새로운 학습 방법을 제안한다. 소프트 오류의 발생은 교차 계층 방식으로 오류 출력의 단조 수렴을 이용하여 추정하며, 제안한 방법은 시스템 성능에 대한 이러한 부정적 영향을 유의미하게 감소시킬 수 있다. 소프트 오류 발생이라는 가정을 전제로, 본 분석 연구는 ILC 시스템에서 제안 방법들의 수렴성을 증명하였고, 시뮬레이션 결과는 ILC 시스템에서 소프트 오류 유발 출력이 미치는 영향을 효율적으로 줄이기 위한 제안 방법의 유효성을 보여준다.