LDA 특성 추출을 활용한 인간 활동 인식 정확도 향상

이 연구에서는 스마트폰 기반 인간 활동 인식에서 특징 벡터 차원 수를 줄이고 정확한 분류를 달성하기 위해 선형 판별 분석(Linear Discriminant Analysis, LDA)과 다층 퍼셉트론(Multilayer Perceptron, MLP)을 결합한 하이브리드 특징 추출 기법을 제안한다. 또한 활동 분류 정확도를 더욱 향상시키기 위해 확률적 경사 하강법(Stochastic Gradient Descent, SGD)을 활용한 서포트 벡터 머신(Support Vector Machine, SVM) 최적화 기법을 도입한다. LDA는 통계적 도구로서 데이터의 투영을 위한 새로운 특징 공간을 도출함으로써 클래스 간 분리도를 향상시키고, 테스트 데이터의 특징 레이블 예측 성능을 개선한다. 제안된 방법론은 LMSS(LDA-MLP-SVM with SGD)로 명명되었으며, UCI-HAR 데이터셋을 이용하여 평가되었으며 최신 기술 기준 모델들과 비교되었다. 실험 결과, 제안한 방법은 해당 데이터셋에서 가장 우수한 성능을 보인 기존 방법을 상회함을 입증하였다. 정확도는 99.52%, 정밀도는 99.55%, 재현율은 99.53%, F1 점수는 99.54%를 기록하여, 제안된 방법이 데이터의 정확한 분류에 매우 효과적임을 입증하였다.