표제지
논문요약
목차
Ⅰ. 서론 12
Ⅱ. 관련 연구 16
2.1. 심리적 및 신체적 상태 평가 방법 16
2.2. 생체신호 기반 피로 평가 방법 18
2.3. 머신러닝 학습 절차 19
2.4. 머신러닝 알고리즘 20
Ⅲ. 복합 생체신호 기반 머신러닝 기법 설계 23
3.1. 복합 생체신호 기반 피로판별 시스템 24
가. 피로판별 모델 생성 24
나. 복합 생체신호 기반 피로판별 27
3.2. 데이터수집 및 라벨링 28
가. 생체신호 수집 28
나. 단일 및 복합 데이터 라벨링 31
3.3. 머신러닝 알고리즘 적용 방안 33
가. SVM 33
나. k-NN 34
다. LSTM 34
라. DNN 36
마. CNN 38
바. COFA 39
Ⅳ. 실험결과 및 고찰 42
4.1. 실험환경 42
가. 시스템 환경 42
나. 데이터셋 환경 43
4.2. 알고리즘 평가 방안 45
4.3. 실험 결과 및 분석 45
가. 단일 EEG 데이터셋 학습 결과 45
나. 단일 EMG 데이터셋 학습 결과 54
다. 복합 데이터셋 학습 결과 63
라. COFA 모델 학습 결과 72
4.4. 결과 고찰 76
Ⅴ. 결론 78
참고문헌 80
Abstract 84
〈표 1-1〉 분야별 휴먼 에러에 따른 사고 비율 13
〈표 2-1〉 뇌파에 따른 의식 수준 17
〈표 2-2〉 생체신호 기반 머신러닝 기법을 활용한 피로도 평가 연구 18
〈표 3-1〉 생체신호 수집 내역 28
〈표 3-2〉 EEG 단일 데이터셋 라벨링 예시 31
〈표 3-3〉 EMG 단일 데이터셋 라벨링 예시 32
〈표 3-4〉 복합 데이터셋 처리 예시 32
〈표 3-5〉 COFA 모델 주요 내용 40
〈표 4-1〉 주요 시스템 환경 42
〈표 4-2〉 단일 EEG 데이터셋 학습 결과 46
〈표 4-3〉 단일 EMG 데이터셋 학습 결과 55
〈표 4-4〉 복합 데이터셋 학습 결과 64
〈표 4-5〉 복합 데이터셋 COFA모델 학습 결과 73
〈그림 1-1〉 국가별 안전사고 사망 비율 12
〈그림 1-2〉 운반작업의 유해요인 14
〈그림 2-1〉 무선 EEG 장치 16
〈그림 2-2〉 EMG 장치 작동 구조 및 실험 예시 17
〈그림 2-3〉 지도학습 WorkFlow 20
〈그림 2-4〉 SVM 기법 개념도 20
〈그림 2-5〉 k-NN 기법 개념도 21
〈그림 2-6〉 LSTM 모델 아키텍처 21
〈그림 2-7〉 CNN 모델 아키텍처의 이미지 처리 예시 22
〈그림 3-1〉 복합 생체신호 기반 피로판별 시스템 설계 및 절차 23
〈그림 3-2〉 복합 생체신호 기반 피로판별시스템 구성도 24
〈그림 3-3〉 공정의 주요 동작 선정 및 동작 패턴 분석 25
〈그림 3-4〉 복합 생체신호 기반 피로판별 모델 생성 절차 26
〈그림 3-5〉 복합 생체신호 기반 피로판별 절차 27
〈그림 3-6〉 채널별 EMG 데이터 29
〈그림 3-7〉 각 뇌파 영역별 EEG 데이터 30
〈그림 3-8〉 데이터 증강전(좌)과 증강후(우) 비교 31
〈그림 3-9〉 LSTM 모델 아키텍처 35
〈그림 3-10〉 멀티모달 생체신호 기반 부정감정 분류 DNN 아키텍처 36
〈그림 3-11〉 DNN에 Dropout을 적용한 모델 아키텍처 37
〈그림 3-12〉 CNN을 적용한 모델 아키텍처 38
〈그림 3-13〉 COFA 모델 아키텍처 39
〈그림 4-1〉 운송작업 수행 전후 뇌파 측정값 분석 43
〈그림 4-2〉 운송작업 수행 전후 뇌파 평균값 분석 43
〈그림 4-3〉 근육 채널별 활성화 분석 44
〈그림 4-4〉 운송작업 전후 중앙 주파수 값 분석 44
〈그림 4-5〉 kNNe 혼동행렬 46
〈그림 4-6〉 SVMe 혼동행렬 47
〈그림 4-7〉 LSTMe 정확도 학습 곡선 48
〈그림 4-8〉 LSTMe Loss 학습 곡선 48
〈그림 4-9〉 LSTMe 혼동행렬 49
〈그림 4-10〉 CNNe 정확도 학습 곡선 49
〈그림 4-11〉 CNNe Loss 학습 곡선 50
〈그림 4-12〉 CNNe 혼동행렬 50
〈그림 4-13〉 DNNe 정확도 학습 곡선 51
〈그림 4-14〉 DNNe Loss 학습 곡선 52
〈그림 4-15〉 DNNe 혼동행렬 52
〈그림 4-16〉 DNNed 정확도 학습 곡선 53
〈그림 4-17〉 DNNed Loss 학습 곡선 53
〈그림 4-18〉 DNNed 혼동행렬 54
〈그림 4-19〉 kNNm 혼동행렬 55
〈그림 4-20〉 SVMm 혼동행렬 56
〈그림 4-21〉 LSTMm 정확도 학습 곡선 57
〈그림 4-22〉 LSTMm Loss 학습 곡선 57
〈그림 4-23〉 LSTMm 혼동행렬 58
〈그림 4-24〉 CNNm 정확도 학습 곡선 58
〈그림 4-25〉 CNNm Loss 학습 곡선 59
〈그림 4-26〉 CNNm 혼동행렬 60
〈그림 4-27〉 DNNe 정확도 학습 곡선 60
〈그림 4-28〉 DNNm Loss 학습 곡선 61
〈그림 4-29〉 DNNm 혼동행렬 61
〈그림 4-30〉 DNNmd 정확도 학습 곡선 62
〈그림 4-31〉 DNNmd Loss 학습 곡선 62
〈그림 4-32〉 DNNmd 혼동행렬 63
〈그림 4-33〉 kNNc 혼동행렬 64
〈그림 4-34〉 SVMc 혼동행렬 65
〈그림 4-35〉 LSTMc 정확도 학습 곡선 66
〈그림 4-36〉 LSTMc Loss 학습 곡선 66
〈그림 4-37〉 LSTMc 혼동행렬 67
〈그림 4-38〉 CNNc 정확도 학습 곡선 67
〈그림 4-39〉 CNNc Loss 학습 곡선 68
〈그림 4-40〉 CNNc 혼동행렬 69
〈그림 4-41〉 DNNc 정확도 학습 곡선 69
〈그림 4-42〉 DNNc Loss 학습 곡선 70
〈그림 4-43〉 DNNc 혼동행렬 70
〈그림 4-44〉 DNNcd 정확도 학습 곡선 71
〈그림 4-45〉 DNNcd Loss 학습 곡선 71
〈그림 4-46〉 DNNcd 혼동행렬 72
〈그림 4-47〉 COFAc 모델 학습 곡선 73
〈그림 4-48〉 COFAc Loss 학습 곡선 74
〈그림 4-49〉 COFAc 모델 혼동행렬 74
〈그림 4-50〉 COFAc t-SNE 시각도 75
〈그림 4-51〉 생체신호별 머신러닝 복합 피로판별 정확도 76