본 기술은 기계 학습을 기반으로 인간 및 동물의 행동을 정밀하게 분류하는 장치 및 방법에 관한 것입니다. 시간적 특징과 운동학적 특징을 모두 고려하여 행동 데이터로부터 신뢰도 높은 임베딩 공간을 생성하고, 이를 통해 복잡한 행동 패턴을 자동으로 인식하고 분류합니다.

발명의 배경과 필요성

기술의 배경과 문제점

• 기존의 기계는 인간이나 동물의 복잡하고 미묘한 행동을 직관적으로 이해하고 분류하는 데 명백한 한계를 가지고 있습니다.

• 기계 학습을 통해 행동 데이터를 임베딩 공간에 맵핑하는 방식이 연구되었지만, 생성된 임베딩 공간의 품질을 평가할 명확한 기준이 부재하여 결과의 신뢰성을 확보하기 어려웠습니다.

기술의 필요성

• 행동 분류의 정확성을 높이기 위해, 임베딩 공간의 품질과 신뢰도를 향상시킬 수 있는 새로운 방법론이 필요합니다.

• 행동의 시간적 연속성과 운동학적 특성을 모두 종합적으로 고려하는 새로운 임베딩 공간 생성 및 평가 방법에 대한 연구가 요구됩니다.

구현 방법

기술의 원리

• 마우스 관절 위치와 같은 행동 데이터로부터 스켈레톤 데이터(노드, 엣지, 각도)를 추출합니다.

• 스켈레톤 데이터에 연속 웨이블릿 변환 및 주성분 분석(PCA)을 적용하여 스펙트로그램을 생성하고 데이터의 차원을 축소합니다.

• t-SNE, UMAP과 같은 비선형 차원 축소 알고리즘으로 복수의 임베딩 공간을 생성하고, 클러스터 간 시간적 연결성(PTI)이 가장 큰 공간을 최종 임베딩 공간으로 선택합니다.

• 최종 임베딩 공간에서 데이터를 서브 클러스터와 슈퍼 클러스터로 그룹화하여 행동을 체계적으로 분류합니다.

구체적인 구현 방법

1. 데이터 추출부: 입력된 행동 데이터에서 스켈레톤 데이터를 추출합니다.

2. 임베딩 공간 생성부: 스켈레톤 데이터를 스펙트로그램으로 변환하고, 차원 축소를 통해 최적의 임베딩 공간을 결정합니다.

3. 서브 클러스터 생성부: 최종 임베딩 공간 내 데이터를 클러스터링하여 유사 행동 상태 그룹(서브 클러스터)을 생성하고, 상태 전이/유지 확률을 계산합니다.

4. 슈퍼 클러스터 생성부: 서브 클러스터들을 미래 상태 예측력에 기반하여 더 큰 단위의 슈퍼 클러스터로 통합합니다.

5. 분류부: 새로운 행동 데이터를 학습된 모델에 맵핑하여 최종 행동 상태를 분류하고 출력합니다.

기술의 장점

• 분류 정확도 향상: 시간적 특징과 운동학적 특징을 모두 고려한 성능 평가 기준으로 분류 정확도를 극대화합니다.

• 분석 자동화: 유사 행동 데이터를 자동으로 클러스터링하는 프로세스를 구현하여 분석 과정을 효율화하고 자동화합니다.

• 모델 신뢰성 확보: 근접 전이 지수(PTI)라는 정량적 지표를 통해 최적의 임베딩 공간을 선택함으로써 모델의 신뢰성을 확보합니다.

실험 및 결과

실험의 목적

본 기술의 유효성을 검증하기 위해, 제안된 방법론으로 생성된 행동 클러스터와 인간 전문가가 직접 레이블링한 행동 데이터를 비교 분석하는 실험을 수행했습니다. 이를 통해 비지도 학습 결과가 실제 행동과 얼마나 높은 유사도를 보이는지 정량적으로 평가하고자 했습니다.

실험 방법 및 과정

1. 마우스의 행동을 비디오로 녹화하고, 모든 프레임에 대해 '걷기', '그루밍', '서기', '정지'의 4가지 상태로 인간 전문가가 레이블링했습니다.

2. 동일한 데이터에 본 발명의 장치를 적용하여 스켈레톤 데이터 추출, 임베딩 공간 생성, 서브 클러스터 및 슈퍼 클러스터 생성을 자동으로 수행했습니다.

3. 생성된 서브 클러스터별 상태 전이 확률과 상태 유지 확률을 계산했습니다.

4. 자동 생성된 클러스터와 인간이 레이블링한 행동 상태를 비교하여 유사도를 확인했습니다.

실험 결과

실험 결과, 본 기술을 통해 자동으로 생성된 클러스터는 인간 전문가가 분류한 행동 상태와 매우 높은 유사도를 보였습니다. 특히, 행동의 동적/정적 특성에 따라 클러스터가 명확히 구분되는 것을 아래와 같이 확인했습니다.

활용 방안 및 기대효과

활용 방안

본 기술은 동물의 미세한 행동 변화를 감지하고 정량화할 수 있어 신약 개발, 질병 모델 연구 등 생명 과학 분야는 물론, 다양한 산업 현장에서의 AI 기반 행동 분석 시스템에 핵심적으로 활용될 수 있습니다.

기대효과

• 연구 생산성 향상: 신약 효능 평가나 뇌 질환 연구에서 동물의 행동을 24시간 자동으로 분석하여 연구 시간과 비용을 획기적으로 절감합니다.

• 새로운 진단 기준 제시: 기존에 관찰하기 어려웠던 미세한 행동 패턴을 데이터화하여 질병의 조기 진단 및 새로운 바이오마커 발굴에 기여합니다.

• 산업 안전 및 효율 증대: 제조, 물류 현장에서 작업자의 위험 행동을 감지하거나, 소비자의 행동 패턴을 분석하여 마케팅 전략을 수립하는 등 다양한 산업에 적용 가능합니다.

시장 동향

시장 규모 및 성장 전망

머신러닝 기반 행동 분석 기술이 포함된 글로벌 인공지능(AI) 시장은 폭발적인 성장이 예상됩니다. KPMG의 보고서에 따르면, 글로벌 AI 시장은 2023년부터 2030년까지 연평균 36.8% 성장하여, 2030년에는 약 1조 3,000억 달러 규모에 이를 것으로 전망됩니다.

주요 플레이어 및 경쟁 환경

현재 동물 행동 분석 AI 기술 시장은 특정 플레이어가 독점하기보다는, 다양한 스타트업과 연구 기관들이 기술 개발을 주도하는 초기 단계에 있습니다. 본 기술과 같이 정량적이고 자동화된 분석 솔루션은 향후 시장에서 높은 경쟁 우위를 점할 수 있을 것으로 기대됩니다. 관련 기술 분야로는 감성 컴퓨팅, AIoT(사물지능) 등이 있으며, 이 시장들 역시 높은 성장률을 보이고 있습니다.

산업 동인 및 기회 요인

1. 사이버 보안 및 사기 방지 수요 증가: 생성형 AI의 발전과 함께 증가하는 내부 사기 및 위협에 대응하기 위한 행동 분석 수요가 증가하고 있습니다. (출처: Fortune Business Insights)

2. 디지털 마케팅 혁신: 고객 행동을 실시간으로 분석하여 개인화된 경험을 제공하고 이탈을 방지하려는 기업의 요구가 커지고 있습니다. (출처: Charstring)

3. 정부 주도의 AI 기술 채택 가속화: 각국 정부의 AI 관련 이니셔티브와 투자 확대는 행동 분석 기술을 포함한 전반적인 AI 시장 성장을 견인하고 있습니다. (출처: KPMG)