Animal Behavior
Dog Behaviour Analysis
Dog Behaviour Analysis
- 저자: Ajay Kumar Meena
- 출처: - (2026)
- DOI/링크: https://doi.org/10.22214/ijraset.2026.82696
- 연구 계열: Topics/Animal Behavior
- 게재일: 2026-05-31
TL;DR
개와 목(neck)·등(back)에 부착한 가속도계·자이로스코프 센서 데이터를 이용해 Random Forest, ANN, LSTM 세 가지 머신러닝 모델로 개의 행동(걷기, 먹기, 냄새맡기, 수면 등)을 예측했다. LSTM이 85% 정확도로 가장 우수했고, Random Forest(77%)가 그 뒤를 이었으며 ANN(62%)이 가장 낮았다. 어떤 모델도 모든 행동 클래스에 절대적으로 우월하지 않아 행동 유형과 특징에 맞는 모델 선택이 중요함을 시사한다.
1. 연구 배경 및 동기
- 다루는 문제: 개는 반려동물, 보조동물, 실험동물 등 다양한 역할로 인간과 밀접하게 지내며 품종, 유전, 나이, 환경, 훈련 등에 따라 행동이 매우 이질적으로 나타난다. 기존의 행동 관찰·기질 검사는 주관적이고 비표준적이며 확장성이 낮다는 한계가 있어, 복지·안전·훈련 효율 측면에서 객관적이고 자동화된 행동 예측 방법이 필요하다.
- 기존의 공백 / 왜 필요한가: 기존의 전통적 행동 평가 방식(기질 검사, 훈련사 평가)은 주관적이고 노동 집약적이며 관찰자 간 편차가 커서, 대규모·일관된 개 행동 예측을 위한 데이터 기반 접근이 부족했다.
2. 관련 연구
- 기존 연구 흐름: 기존 연구는 주로 행동학적 관찰과 전통적 기질 검사에 의존해 왔으며, 센서 기반 시계열 데이터와 머신러닝을 결합한 계산 행동학(computational ethology) 접근은 상대적으로 새로운 흐름이다.
- 이 논문의 위치: 이 연구는 공개된 Kaggle 센서 데이터셋(Arashnia, 2022)을 활용해 구조적 데이터 기반 모델(Random Forest, ANN)과 시계열 기반 딥러닝 모델(LSTM)의 성능을 비교함으로써, 어떤 모델이 어떤 행동 클래스·특징 유형에 적합한지 제시한다.
3. 핵심 기여
- 개 행동 예측에 Random Forest, ANN, LSTM 세 모델을 적용·비교
- 가속도계·자이로스코프 기반 다중 축 센서 데이터를 이용한 행동 분류 파이프라인 제시
- 시계열 특성을 고려한 LSTM이 비시계열 모델보다 우수함을 실증
- 행동과학에 AI를 접목한 계산 행동학적 접근의 가능성 제안
4. 제안 방법론
- 전체 접근 논리: 개의 등과 목에 부착한 가속도계·자이로스코프 센서로 수집한 시계열 운동 데이터를 전처리한 뒤, 구조적 데이터 기반 모델(Random Forest, ANN)과 시계열 기반 딥러닝 모델(LSTM)을 각각 학습시켜 정확도·정밀도·재현율·F1-score로 성능을 비교했다.
- 단계:
- Kaggle 공개 데이터셋(Arashnia, 2022)에서 개별 개(DogID), 시험 번호, 시간, 과제(Task), 행동 라벨(Behavior_1, Behavior_2) 등 포함 데이터 수집 및 전처리
- 등(back)·목(neck) 부위의 가속도계(ABack, ANeck)·자이로스코프(GBack, GNeck) 3축 센서 데이터를 특징으로 구성
- Random Forest, ANN, LSTM 모델을 지도학습 방식으로 학습·검증
- 정확도, 정밀도, 재현율, F1-score, 손실값 등으로 모델 성능 비교
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | Kaggle 공개 데이터셋(Arashnia, 2022)의 개 센서 시계열 데이터(걷기 과제 중 수집된 다수 개체) |
| 처리 조건 | 등과 목에 부착된 가속도계·자이로스코프 3축 센서로 수집한 시계열 데이터를 걷기, 먹기 등 행동 라벨과 함께 사용 |
| 대조군 | 해당 없음(모델 간 비교 연구) |
| 측정 방법 | 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score, 손실값(loss) |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| Random Forest 정확도 | 약 77% | 구조적 센서 데이터 분류 |
| ANN 정확도 | 약 62% | 시간적 패턴 미반영 |
| LSTM 정확도 | 85%, 손실값 0.33 | 시계열 순차 데이터 학습 시 가장 우수 |
제안 기전(인과 사슬):
센서 기반 시계열 움직임 데이터 → LSTM의 시간적 의존성 학습 → 행동 간 연속적 패턴 인식 → 높은 분류 정확도
7. 비판적 평가
강점
- 세 가지 상이한 모델(앙상블, 신경망, 순환신경망)을 비교하여 각 모델의 강약점을 체계적으로 제시
- 실제 웨어러블 센서 데이터를 활용한 실용적 접근
- 모델별 강점과 한계를 명확히 구분하여 제시
한계 · 의문
- 단일 공개 데이터셋에 의존하여 일반화 가능성이 제한적
- 모델 하이퍼파라미터 튜닝 세부 과정 및 데이터 분할 방법이 명시되지 않음
- 행동 클래스 수와 다양성이 제한적(걷기, 먹기 등 소수 행동)
8. 향후 연구 방향
- 더 큰 규모의 데이터셋 활용
- 실시간 분석 도구 개발
- GRU, CNN-LSTM 등 더 효율적인 모델 적용
9. 결론
LSTM이 시계열 데이터의 시간적 의존성을 포착하여 가장 높은 정확도(85%)를 보였고, Random Forest는 해석 가능성이 높으면서도 안정적인 성능(77%)을 보인 반면, ANN은 시간적 기억 능력 부족으로 가장 낮은 성능(62%)을 보였다. 이는 AI 기반 센서 데이터 분석이 개 행동 모니터링 및 예측 시스템 개발에 기여할 수 있음을 시사한다.
Keywords
dog behavior prediction, machine learning, artificial neural networks, random forests, behavioral analysis, computational ethology, animal welfare, supervised learning