AI 기반 다변량 데이터를 활용한 DOG-OB 반려견 비만 등급 분류 알고리즘 개발 연구 = A Study on the Development of the DOG-OB Canine Obesity Classification Algorithm Using AI-Based Multivariate Data

다국어 초록 (Multilingual Abstract)

As companion animals are increasingly regarded as family members, interest in pet healthcare and disease prevention has grown significantly. Among various health issues affecting companion animals, obesity is recognized as one of the most prevalent and critical conditions, contributing to diabetes, cardiovascular diseases, arthritis, skin disorders, and reduced life expectancy. Despite its importance, canine obesity is still primarily assessed through Body Condition Score （BCS） evaluations or simple weight measurements, both of which have limitations in terms of objectivity, consistency, and continuous monitoring. Therefore, there is a growing need for data-driven and AI-based approaches that can support preventive healthcare and provide more accurate obesity assessment. This study proposes DOG-OB （Dog Obesity Classification Framework）, an AI-based canine obesity classification framework that utilizes multivariate data collected from real-life environments. Unlike conventional approaches that rely primarily on body weight or subjective visual assessment, DOG-OB integrates multiple factors,
including weight, activity level, feeding behavior, and individual characteristics, to classify obesity status more comprehensively. The proposed framework encompasses the entire process of data collection, preprocessing, feature construction, machine learning-based classification, and performance evaluation.
The experimental dataset was collected from a dog daycare center between February and July 2025. A total of 1,024 records were obtained from eight companion dogs. After preprocessing, including missing value removal and IQR-based outlier detection, 944 recordswere retained for analysis. Input variables consisted of age, sex, weight, indoor activity time, outdoor activity time, feeding frequency, and food intake. The target variable, FAT_GRADE, was defined as a four-class obesity grade based on veterinarian-assessed Body Condition Scores （BCS）, including obese, overweight, normal, and underweight categories. To evaluate the proposed framework, Random Forest was selected as the final classification engine of DOG-OB. Model performance was assessed using a 7:3 holdout validation strategy and stratified 5-fold cross-validation. Multiple evaluation metrics, including Accuracy, Precision, Recall, F1-score, and ROC-AUC, were employed to validate classification performance. Experimental results demonstrated that DOG-OB achieved an Accuracy of 0.9398, a Macro F1-score of 0.9329, a Weighted F1-score of 0.9395, and a ROC-AUC of 0.9949. These results indicate excellent classification capability across the four obesity categories. Feature
importance analysis revealed that weight and age were the most influential variables for obesity classification, while feeding and activity-related variables also contributed meaningfully to prediction performance. Furthermore, ablation studies confirmed that the integration of multiple lifestyle variables significantly improved classification accuracy compared to single-variable approaches. The proposed DOG-OB framework demonstrates the feasibility of utilizing real-world multivariate data for canine obesity classification and provides a practical foundation for preventive pet healthcare services. By combining explainable machine learning techniques with lifestyle-based health indicators, this study contributes to the development of intelligent pet healthcare systems and offers a scalable framework for future obesity monitoring and health management applications. Future work will focus on expanding the dataset, incorporating additional physiological sensors, and developing time-series prediction models for long-term health monitoring.

국문 초록 (Abstract)

최근 반려동물을 가족 구성원으로 인식하는 사회적 인식이 확산됨에 따라 반려동물의 건강관리와 질병 예방에 대한 관심이 지속적으로 증가하고 있다. 특히 반려견 비만은 단순한 체중 증가를 넘어 당뇨병, 심혈관 질환, 관절 질환 및 피부 질환 등 다양한 만성질환의 주요 위험요인으로 알려져 있으며, 반려견의 삶의 질과 기대수명에 직접적인 영향을 미치는 중요한 건강 문제로 인식되고 있다. 그러나 현재 반려견 비만 평가는 주로 수의사의 시각적 평가인 BCS（Body Condition Score） 또는 단순 체중 측정에 의존하고 있어 평가자의 주관이 개입될 수 있으며, 지속적이고 객관적인 건강 모니터링에 한계가 존재한다.
본 연구에서는 이러한 문제를 해결하기 위하여 실제 생활환경에서 수집 가능한 다변량 데이터를 활용하여 반려견의 비만 상태를 효과적으로 분류할 수 있는 DOG-OB를 제안하였다. DOG-OB는 단순히 하나의 머신러닝 모델을 적용하는 것이 아니라 데이터 수집, 전처리, 특징 벡터 구성, 머신러닝 기반 분류 및 성능 평가까지의 전 과정을 통합한 반려견 비만 등급 분류 프레임워크로 설계되었다. 또한 기존 체중 중심 평가 방식의 한계를 보완하기 위하여 체중 정보뿐만 아니라 활동량, 식사 정보 및 개체 특성을 함께 활용하였다.
실험 데이터는 2025년 2월부터 2025년 7월까지 실제 반려견 유치원 환경에서 수집한 데이터를 활용하였다. 원시 데이터는 총 1,024건이며, 결측치 제거 및 IQR（Interquartile Range） 기반 이상치 제거를 수행한 후 최종 944건의 데이터를 분석에 활용하였다. 입력 변수는 연령（AGE）, 성별（SEXDSTN_CODE）, 체중（WEIGHT）, 실내 활동시간（IN_PLAY_TIME）, 실외 활동시간（OUT_PLAY_TIME）, 식사 횟수（EAT_CNT）, 식사량（INTAKE）으로 구성하였다. 출력 변수는 수의사가 평가한 BCS를 기반으로 비만（0）, 과체중（1）, 정상（2）, 저체중（3）의 4단계 비만 등급（FAT_GRADE）으로 정의하였다.
DOG-OB의 최종 분류 엔진으로는 Random Forest를 적용하였으며, 모델 성능 검증을 위하여 7:3 Holdout Validation과 5-Fold Stratified Cross Validation을 수행하였다. 또한 Accuracy, Precision, Recall, F1-score 및 ROC-AUC를 활용하여 모델의 성능을 다각적으로 평가하였다. 실험 결과 DOG-OB는 Accuracy 0.9398, Macro F1-score 0.9329, Weighted F1-score 0.9395 및 ROC-AUC 0.9949를 기록하여 우수한 분류 성능을 나타냈다. 특히 정상 등급과 비만 등급에서 높은 분류 정확도를 보였으며, ROC-AUC 분석 결과 모든 클래스에서 높은 판별 능력을 확인하였다.
또한 변수 중요도 분석 결과 체중과 연령이 비만 등급 분류에 가장 큰 영향을 미치는 변수로 나타났으며, 식사량과 활동량 또한 유의미한 영향을 미치는 것으로 확인되었다. Ablation Study 결과에서는 단일 변수보다 다변량 정보를 통합적으로 활용할 때 분류 성능이 크게 향상됨을 확인하였다.
본 연구는 실제 생활환경에서 수집된 데이터를 기반으로 반려견 비만 상태를 분류할 수 있는 AI 기반 건강관리 프레임워크를 제안하였으며, 기존의 주관적 평가 중심 비만 관리 방식의 한계를 보완할 수 있는 가능성을 제시하였다. 또한 DOG-OB 알고리즘을 통해 예방 중심의 반려동물 헬스케어 서비스 구현 가능성을 확인하였다는 점에서 학술적·실용적 의의를 가진다. 향후에는 다양한 품종과 대규모 데이터를 활용한 검증 및 시계열 기반 건강 예측 모델로의 확장이 필요할 것으로 판단된다.

목차 (Table of Contents)

• 1. 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 목적 및 범위 4
• 1.3 논문의 구성 8
• 2. 관련 연구 10
• 2.1 반려견 비만 평가 방법 10
• 2.2 반려견 헬스케어와 IoT 기술 13
• 2.3 AI기반 건강 예측 연구 동향 17
• 3. 데이터 수집 및 구성 27
• 3.1 시스템 구성 및 데이터 수집 환경 27
• 3.2 데이터 변수 정의 31
• 3.3 데이터 구성 및 전처리 방법 37
• 4. 비만 예측 알고리즘 설계 48
• 4.1 문제 정의 48
• 4.2 DOG-OB 알고리즘 설계 51
• 4.3 모델 구조 및 학습 방법 57
• 4.4 성능 평가 지표 61
• 5. 실험 결과 및 분석 67
• 5.1 실험 환경 67
• 5.2 DOG-OB 알고리즘 예측 성능 평가 71
• 5.3 모델 비교 실험 76
• 5.4 결과 분석 82
• 6. 결론 88
• 참 고 문 헌 92
• 부 록 103