According to a recent studies, prolonged sedentary behavior such as sitting in a chair or leaning against a sofa increases the risk of a variety diseases such as diabetes and obesity. Even with frequent physical exercise, if people usually do prolonged sedentary behavior, there is still risk of this kind of disease. Therefore, it is important to stand up and take a rest a few minutes when you think you have been sitting for long time. However, it is difficult to perceive that sitting for a a long time. To solve this problem, we developed BeActive, a just in time intervention service application, that proactively suggests an active rest when users' sedentary behavior is detected using smartphone sensors. However, not all the cases of sedentary behavior are available for intervention. For example, if you are watching TV at home or reading a book, it is possible to take an intervention message and take a break, but there are situations where it is impossible to stand up for social or physical reasons such as school classes, business hours and driving. Intervention messages delivered to such an impossible situation are unavailable and may even cause users to be annoyed or disrupt users' ongoing task. Therefore, in this study, we propose a machine learning model that uses the smartphone sensor data to predict the user's availability. For machine learning model training, we collected the questionnaire responses of users availability and smartphone sensor data for 31 experimental participants during 3 weeks. And we extracted various categories of features to consider user's context from collected sensor data. After training, we identified that the proposed model shows 10 % p higher accuracy and an 24 % p higher F1 score compared to Baseline model. In addition, through the feature importance analysis, we confirmed that the features related to the user's location and the temporal features are the most important features in predicting the availability moments of user.
최근 연구결과에 따르면 의자에 앉아 있거나 쇼파에 기대어 누워있는 등과 같은 비활동 상태를 장시간 유지하게 되면 당뇨와 비만 등 다양한 질병의 발병 확률이 높아진다고 한다. 특히 평소 운동량과는 상관없이 자주 장시간 앉아 있게 되면 여전히 이러한 질병이 발생 위험이 있다. 따라서 평소에 오래 앉아 있었다고 판단되면 잠깐 일어나서 휴식을 취하는 것이 중요한데, 보통의 경우 자신이 오래 앉아 있었는지 자각하기 힘들다는 문제점이 있다. 이와 같은 문제를 해결하기 위해 우리는 스마트폰 센서를 활용하여 사용자의 비활동 상태가 감지됬을때 활동적인 휴식을 선제적으로 제안하는 적시 중재 서비스 앱인 BeActive를 개발하였다. 하지만 모든 비활동 상태가 중재가 가능한 것은 아니다. 예를 들어 집에서 tv를 보거나 책을 읽고 있는 경우에는 중재 메시지를 받고 휴식을 취하는 것이 가능하지만 학교 수업, 업무 중, 차량 탑승 중과 같이 사회적, 물리적 이유로 일어나서 휴식을 취하는 것이 불가능한 상황도 존재한다. 이런 불가능한 상황에 전달되는 중재 메시지는 중재가 가능하지도 않을 뿐더러 오히려 사용자로 하여금 짜증을 유발하거나 현재 하는 일에 방해가 될 수 있다. 따라서 본 연구에서는 스마트폰 센서 데이터를 활용하여 사용자의 가용도(Availability) 를 판단하는 기계 학습 모델을 제시하기로 한다. 최종적으로 언급한 기계 학습 모델을 활용하여 사용자가 중재 메시지를 전달 받고 휴식이 가능한 상황(Available Moments)에서만 중재 메시지를 전달하여 효과적 인 Just in time Intervention 시스템을 개발하는 것에 그 목적을 둔다. 기계 학습을 위해 3주간 31명의 실험 참가자를 대상으로 사용자의 가용도에 대한 설문 응답과 각종 스마트폰 센서 데이터들을 수집하였고 수집한 센서 데이터들로부터 사용자의 컨텍스트를 고려하기 위한 여러 카테고리의 피쳐들을 추출하였다. 테스트 결과 Baseline 모델 대비 최대 10%p의 정확도와 24%p의 F1 score 향상을 보임을 확인하였다. 또한 피쳐 중요도 분석을 통하여 여러 스마트폰 센서 피쳐들 중 사용자의 장소에 관련된 피쳐들과 시간에 관련된 피쳐들이 사용자의 가용도를 판단하는 것에 있어서 가장 중요한 피쳐들임을 확인하였다.
