Recommended
More Related Content
Recently uploaded
Featured
Featured (20)
스마트폰 화상 키보드 입력 패턴 분석 및 오타 보정
- 1. 스마트폰 화상 키보드 입력 패턴 분석 및 오타 보정 2014147575 도회린 2014147583 이정현 2014147528 한호재
- 2. 진행 일정 및 개요
- 3. 프로젝트 진행 일정 10월 11월 시각화 상황 예측 데이터 분석 데이터 전처리 오타 개선 알고리즘 제안분석 사용자 상황 분류기 제작 및 최적화 선정 결과 시각화 유의미한 데이터 선정 주 담당자 이정현 한호재 도회린
- 4. 프로젝트 진행 환경 • 분석 환경 • OS : Ubuntu 14.04 / Windows 7 • 언어 : Python 2.7.6 • 사용 Python 라이브러리 목록 • numpy 1.10.1 • pandas 0.13.1 • scikit-learn 0.17 • matplotlib 1.5.0 • ipython (notebook 이용) 4.0.1
- 5. 용어의 정의 • 상황 : 유저의 자세(앉기, 서기, 걷기, 눕기)와 이용하는 손(왼손, 오른손, 양손)을 교차하여 만들어지는 12가지의 경우. • 입력 패턴 : 유저가 문자를 입력하는 속도, 누른 좌표, 방향 센서 등의 로그 데이터에 남아있는 모든 정보들로부터 유추되는 경향성. • 분류기 : Classifier. 입력된 값으로부터 상황을 분류해내는 알고리즘.
- 6. 분석 문제 및 목표
- 7. 데이터 시각화 및 유의미한 변인 선정 • 주어진 센서 데이터 값들과 유저의 상황간의 상관 관계를 계산하고 이를 시각적으로 도출. • 사용자의 정보와 오타율의 상관 관계를 파악하고 이를 시각적으로 도출. • 파악된 상관 관계를 토대로 유저의 상황을 예측하고 그 상황에 맞는 오타 보정 방안 제시에 활용.
- 8. 유저 상황 예측 • 앞의 단계에서 파악된 유의미한 상관 관계를 가진 입력 데이터를 활용하여 입력 상황을 예측. • Scikit-learn 라이브러리에 있는 분류(Classification) 알고리즘을 이용. • 로그의 일부는 학습(Training), 다른 일부는 검증(Test) 데이터로 이용하여 최적의 분류를 할 수 있도록 튜닝.
- 9. 오타 보정 • 키보드 조건, 사용하는 손에 따른 경향성을 파악 • 앞의 단계에서 파악한 입력 패턴과 유저의 상황을 바탕으로, 오타를 최소화 하기 위한 방안을 대략적으로 제시. • 주어진 로그 데이터를 이용하여, 오타 보정 방안에 따라 얼마나 개선이 이루 어지는지 확인.
- 10. 분석 과정
- 11. 분석 과정 데이터 전처리 데이터 시각화 및 유의미한 칼럼 선정 상황별 오타 개선 알고리즘 제안 입력 상황 분류기 제작
- 12. 데이터 전처리 주어진 데이터는 무의미한 값이 있거나, 일부는 오류가 존재한다. 이를 다음의 기준으로 전처리 하였다. • 모든 Column의 이름을 소문자로 통일, 앞 뒤의 무의미한 공백 제거 • 120개(손 3 × 자세 4 × 횟수 10)보다 적은 수의 데이터는 삭제 class DataLoader: data_save = None threshold = 120 age_useless = [] def __init__(self): data_save_raw = read_csv('data/save.csv') # Remove useless whitespace self.data_save = data_save_raw.rename(columns=lambda x: x.strip().lower()) # Remove unsufficient data data_count = self.data_save.groupby('age').count() self.age_useless.append( data_count[data_count < self.threshold].index) def get_save_data(self): return self.remove_useless(self.data_save) def remove_useless(self, data): for age in self.age_useless[0]: data = data[data['age'] != age] return data
- 13. 데이터 시각화 • 센서 값들과 사용자의 상황 및 오타 율에 대한 다양한 그래프를 그린다. • 위의 결과를 바탕으로, 입력 상황 예 측에 명확히 사용할 수 있을 것으로 추측되는 Column들을 선정한다. matplotlib.style.use('ggplot') loader = DataLoader() data = loader.get_sensor_data() # Set columns posture_gyro = data.groupby('input_posture') .mean()[['gyro_x', 'gyro_y', 'gyro_z']] # Bar Graph posture_gyro.plot(kind='bar') plt.show()
- 14. 사용 알고리즘 • Random Forest : 반복적으로 무작위적인 Dicision Tree를 만들어 이를 최적화하는 방향으로 진행하는 알고리즘이다. 뚜렷한 경향성이 있는 데이터 들을 이용하여 간단하고 빠르게 분류기를 만들 수 있다. from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier(n_estimators=100, max_depth=30, max_leaf_nodes=100) rf.fit(trainX, trainY)
- 15. 입력 상황 예측 소스 코드 for group in range(1, 4): data_raw = raw_loader.load_eval(str(group)) for idx in data_raw.index: data = data_raw.ix[idx] data_sensor = raw_loader.load_sensor_data(data['file name']) posture = data['input posture'] if posture == 'Both': posture = 1 elif posture == 'Right': posture = 2 else: posture = 0 combined_data.append([posture, data_sensor.acc_x.var(), ... data_sensor.gyro_z.mean()])
- 16. 오타 보정 알고리즘 ascii_num = 99 hands = ['Both', 'Right', 'Left'] raw_of_all = data_key[data_key['intent_code_point']==ascii_num] raw_of_alphabet = data_key[data_key['intent_code_point']==ascii_num][data_key['code_point']!=ascii_num] result = [] for hand in hands: data_all = raw_of_all[raw_of_all['input_posture']==hand] data_all = data_all.groupby('keyboard_condition').count()['time'] data_of_alphabet = raw_of_alphabet[raw_of_alphabet['input_posture']==hand] data_by_condition = data_of_alphabet.groupby('keyboard_condition').count()['time'] # For each keyboard status result_both = data_by_condition[data_by_condition.index%4==0].sum() / data_all[data_all.index%4==0].sum() ... result_split = data_by_condition[data_by_condition.index%4==3].sum() / data_all[data_all.index%4==3].sum() result.append([result_both, result_left, result_right, result_split])
- 17. 분석 결과
- 18. 데이터 시각화 가속도 센서 가속도 센서 변화와 사용하는 손, 자세의 상관관계. • 오른손 : x축 방향의 가속도가 음의 경향이 두드러짐 • 눕기 : z축 방향의 가속도가 다른 조건에 비해 0에 가까움 양손 왼손 오른손 눕기 앉기 서기 걷기
- 19. 데이터 시각화 회전 센서 회전 센서 변화와 사용하는 손, 자세의 상관관계. • 오른손 : roll의 양의 경향이 두드러짐 • 눕기 : roll의 음의 경향, azim의 양의 경향이 두드러짐 양손 왼손 오른손 눕기 앉기 서기 걷기
- 20. 데이터 시각화 자이로스코프 자이로스코프 값과 사용하는 손, 자세의 상관관계. • 양손 : y축과 z축의 자이로스코프 값이 유사함 • 왼손 : y축의 값 보다 z축의 값이 더 큼 • 오른손 : y축의 값이 z축의 값 보다 더 큼 • 걷기 : y축, z축의 값이 다른 조건에 비해 매우 큼 양손 왼손 오른손 눕기 앉기 서기 걷기
- 21. 데이터 시각화 조건 별 오타율 사용 손, 자세, 성별, 이용 기간 등의 모든 변인에서 명확한 상관 관계를 찾기 어려움
- 22. • 위의 데이터 시각화 결과를 종합하여 볼 때, 사용하는 손을 구분할 수 있는 변인들은 충분한 것으로 보인다. • 자세의 경우, ‘눕기’와 ‘걷기’는 구분하기 명확한 것으로 보이지만 나머지 자세인 ‘앉기’와 ‘서기’는 정확하게 구분할 만한 차이점을 발견하기 어렵다. 데이터 시각화
- 23. 입력 상황 예측 결과 사용 손 Random Forest 알고리즘을 이용하여 센서 값을 바탕으로 사용한 손을 예측 한 결과, 약 80.92%의 정확도를 보였다.
- 24. 입력 상황 예측 결과 자세 센서 값을 바탕으로 자세를 예측한 결 과, 약 64.26%의 정확도를 보였다. 아래는 실제 값과 예측 결과를 비교한 것으로, 앉은 상태와 서있는 상태를 잘 구분해내지 못하는 것을 알 수 있다. 0 : lie 1 : sit 2 : stand 3 : walk
- 25. 오타 보정 알고리즘 • A는 키보드의 가장 좌측에 위치한다. • 오른손을 사용할 경우 거리가 멀어 우편향된 키보드를 사용시 오타가 개선된다. 알파벳 A 양손 오른손 왼손 오 타 율 키보드 종류
- 26. 오타 보정 알고리즘 • H는 키보드의 중앙에 위치한다. • 양손 및 오른손을 이용할 경우, Split 키보드를 이용하면 오타율이 감소한다. 알파벳 H 양손 오른손 왼손 오 타 율 키보드 종류
- 27. 오타 보정 알고리즘 • H는 키보드의 중하단에 위치한다. • 양손을 이용할 경우 Split 키보드를 이용하면 오타율이 감소한다. 알파벳 N 양손 오른손 왼손 오 타 율 키보드 종류
- 28. 오타 보정 알고리즘 • U는 키보드의 우측에 위치한다. • 왼손을 사용할 경우 거리가 멀어 좌편향된 키보드를 사용시 오타가 소폭 개선된다. 알파벳 U 양손 오른손 왼손 오 타 율 키보드 종류