Animal Behavior
Multi-level Hierarchical Complex Behavior Monitoring System for Dog Psychological Separation Anxiety Symptoms
Multi-level Hierarchical Complex Behavior Monitoring System for Dog Psychological Separation Anxiety Symptoms
- 저자: Huasang Wang; Othmane Atif; Jirong Tian; Jonguk Lee; Daihee Park; Yongwha Chung
- 출처: Sensors (MDPI) (2022)
- DOI/링크: https://doi.org/10.3390/s22041556
- 연구 계열: Topics/Animal Behavior
- 투고일: 2022-01-07
TL;DR
혼자 집에 있는 개의 분리불안 증상을 목과 등에 단 가속도 센서로 자동 감시하는 3단계 계층 시스템(자세, 원자 행동, 증상성 복합 행동)을 제안했다. 자세는 stacked LSTM, 행동은 퍼지 규칙을 쓴 복합 사건 처리(Fuzzy-CEP)로 판정하며, 개 8마리 데이터에서 복합 행동 F1 약 0.86(평균 0.863)을 얻어 SVM, DT, RF보다 높았다.
1. 연구 배경 및 동기
- 다루는 문제: 개를 혼자 두는 일이 늘면서 분리불안이 생길 위험이 커지는데, 분리불안은 가장 흔한 개 정신 질환으로 과도한 파괴, 짖음 같은 복합 행동을 동반하고 유기의 주된 이유가 된다. 본문은 미국에서만 매년 약 67만 마리가 행동 문제로 안락사된다고 인용한다.
- 기존의 공백 / 왜 필요한가: 기존 관찰법은 보호자 면담이나 영상 수작업 분석이어서 힘들고 증상을 조기에 자동으로 잡지 못한다. 기존 센서 연구는 대부분 자세나 원자 행동(예: 짖음)까지만 인식해 질환을 특정하지 못하며, 복합 행동까지 다룬 시스템은 보호자의 직접 라벨링이 필요한 1건뿐이었다.
2. 관련 연구
- 기존 연구 흐름: 가속도계, 자이로스코프 등 센서와 SVM, 결정 트리, HMM, KNN, 신경망으로 자세와 원자 행동을 인식한 연구가 2009~2021년에 이어졌고, 원자 행동 정확도 90%를 넘긴 연구는 소수였다.
- 이 논문의 위치: 자세에서 원자 행동, 분리불안 관련 복합 행동까지 이어지는 계층 구조를 LSTM과 퍼지 규칙 기반 CEP로 자동화한 최초의 시도라고 주장한다.
3. 핵심 기여
- 자세(Level 1), 원자 행동(Level 2), 증상성 복합 행동(Level 3)의 3단계 분류 체계를 정의했다.
- stacked LSTM과 CEP 지식 규칙을 연결하고, 모호한 정신 증상 지식을 다루기 위해 퍼지 논리를 결합한 Fuzzy-CEP를 제안했다.
- 임상 기준으로 모집한 개 8마리 데이터로 자세, 원자 행동, 복합 행동 각 단계에서 SVM, NB, DT, RF와 비교했다.
4. 제안 방법론
- 전체 접근 논리: 목과 등의 가속도 신호를 1초 창으로 잘라 두 개의 병렬 stacked LSTM으로 머리·몸 자세를 분류하고, 자세 사건을 CEP 규칙으로 2초 단위 원자 행동으로, 다시 15초 단위 빈도에 퍼지 규칙을 적용해 정상 또는 과도(abnormal) 복합 행동으로 판정한다.
- 단계:
- 개의 목과 등에 3축 가속도 센서를 달아 50 Hz로 5~15분 자유 활동 데이터를 수집하고 영상으로 라벨을 확인했다.
- 1초 슬라이딩 창(50 타임스텝, x,y,z 축)으로 분할하고 0~1 min-max 정규화했다.
- 각각 64개 유닛의 LSTM 2층으로 된 두 네트워크가 머리 자세 3종과 몸 자세 6종을 softmax로 분류했다.
- CEP 규칙으로 2초 창에서 원자 행동 8종을 만들고, 15초 창에서 빈도를 퍼지화(Seldom, Consistent, Most), 무게중심 비퍼지화, 임계값(짖음 1.0, 파괴·탐색 1.5)으로 복합 행동 3종의 정상/과도를 판정했다.
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 분리불안 임상 기준으로 모집한 개 8마리(소형 5, 중형 2, 대형 1; 말티즈, 파피용, 믹스견; 연령 0.5~9세) |
| 처리 조건 | 보호자 집 또는 실험실에서 5~15분 자유 활동. 센서 LPMS-B2(50 Hz)를 목과 등에 부착하고 영상 동시 촬영 |
| 대조군 | 비교 모델: Level 1은 SVM, NB; Level 2는 SVM, DT, NB; Level 3은 SVM, DT, RF(통계 특징 최소·최대·평균·표준편차 사용) |
| 측정 방법 | 정밀도, 재현율, F1 점수. Level 1은 클래스당 500개씩 총 4500샘플, 5-fold 교차검증(학습 3600, 시험 900); Adam 학습률 0.0025, 배치 25, 50 에폭 |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| Level 1 자세 평균 F1 | 0.947(정밀도 0.948, 재현율 0.946). Head down 0.997, Lie 0.990, Sit 0.992, Dig 0.889, Jump 0.876 | stacked LSTM, 5-fold |
| Level 1 모델 비교 평균 F1 | 제안 0.947 대 SVM 0.890 대 NB 0.833. 다만 Head up, Dig, Jump, Lie, Walk에서는 SVM이 더 높음 | 동일 데이터 |
| Level 2 원자 행동 평균 F1 | 0.915(정밀도 0.945, 재현율 0.886). Sitting 0.963, Escaping 0.949, Barking 0.859, Standing 0.874 | 1070개 원자 행동 데이터, stacked LSTM + CEP |
| Level 2 모델 비교 평균 F1 | 제안 0.915 대 SVM 0.827, DT 0.889, NB 0.760 | 동일 데이터 |
| Level 3 복합 행동 평균 F1 | 0.863(정밀도 0.862, 재현율 0.864). 탐색 행동 과도 0.934, 짖음 과도 0.899, 파괴 과도 0.878 | 파괴 152, 짖음 84, 탐색 231 샘플(증강 포함 별도), stacked LSTM + Fuzzy-CEP |
| Level 3 모델 비교 평균 F1 | 제안 0.863 대 SVM 0.655, DT 0.692, RF 0.660 | 동일 데이터 |
제안 기전(인과 사슬):
목·등 가속도 신호 → LSTM 자세 분류 → CEP 원자 행동(2초) → 15초 창 빈도의 퍼지 판정 → 분리불안 관련 과도 복합 행동 검출
7. 비판적 평가
강점
- 자세, 행동, 복합 행동으로 이어지는 지식 기반 계층 구조라 해석이 쉽고 하위 단계 결과를 재사용한다.
- 비교 모델 대비 상위 단계로 갈수록 성능 차이가 커졌고, 보호자 집에서 자유롭게 움직이는 개의 데이터를 썼다.
한계 · 의문
- 개 8마리, 클래스당 데이터가 적고 일부 행동은 윈도 슬라이싱으로 증강했다.
- Level 1에서 짖음과 Head up 구분이 어렵고 헐떡임 소음, 자세 전환이 오류를 만들며, 하위 오류가 Level 3 성능 저하로 이어졌다.
- 센서 2개만 사용했고 소리 센서가 없어 짖음 인식에 한계가 있다.
8. 향후 연구 방향
- 센서, 영상, 소리 데이터를 결합한 더 견고한 분리불안 증상 모니터링 시스템 개발
9. 결론
제안한 계층형 Fuzzy-CEP 시스템은 개 8마리 데이터에서 증상성 복합 행동 F1 약 0.86을 달성했고 비교 모델보다 높았다. 정신 증상과 관련된 복합 행동을 센서로 자동 기술할 수 있는 현실적 방법이며 수의 분야 AI 활용을 촉진할 수 있다고 결론짓는다.
Keywords
separation-anxiety, dog-behavior, wearable-sensor, LSTM, complex-event-processing, fuzzy-logic, animal-welfare, behavior-monitoring
원문 그림








원문 그림 · 라이선스: cc-by