웨어러블 센서의 혁신: DecomposeWHAR 모델로 인간 활동 인식의 새 지평을 열다!

본 기사는 다중 센서 웨어러블 기기를 이용한 인간 활동 인식(WHAR) 분야의 혁신적인 모델 DecomposeWHAR에 대한 소개입니다. 기존 모델의 한계를 극복하고, 센서 내외의 시공간적 관계를 효과적으로 모델링하여 우수한 성능과 효율성을 달성한 DecomposeWHAR은 스마트 헬스케어 분야의 발전에 크게 기여할 것으로 예상됩니다.

웨어러블 센서 시대의 도약: DecomposeWHAR 모델

스마트워치, 피트니스 트래커 등 웨어러블 기기가 일상생활 깊숙이 자리 잡으면서, 인간 활동 인식(Human Activity Recognition, HAR) 기술의 중요성이 더욱 커지고 있습니다. 특히, 여러 센서를 동시에 활용하는 다중 센서 웨어러블 기반의 HAR (WHAR)는 더욱 정확한 활동 인식을 가능하게 합니다.

하지만 기존 WHAR 방법들은 각 센서 변수에 공유 합성곱 커널을 사용하여 시간적 특징을 추출하는 방식을 사용해 왔습니다. 이는 센서 내(intra-sensor) 및 센서 간(inter-sensor) 변수들의 시공간적 관계를 효과적으로 포착하지 못하는 한계를 지니고 있었습니다.

Xie Haoyu를 비롯한 연구팀은 이러한 문제를 해결하기 위해, 획기적인 새로운 모델인 DecomposeWHAR을 개발했습니다. DecomposeWHAR는 분해 단계와 융합 단계의 두 가지 단계로 구성됩니다.

1단계: 분해 (Decomposition)

분해 단계에서는 향상된 심층 분리 가능 합성곱(Depth Separable Convolution)을 이용하여 각 센서 변수의 고차원적 표현을 생성합니다. 이를 통해 각 센서의 고유한 특징을 유지하면서, 국소적인 시간적 특징을 효과적으로 포착할 수 있습니다.

2단계: 융합 (Fusion)

융합 단계에서는 센서 내 변수 간의 관계를 포착하고, 채널 및 변수 수준에서 특징을 융합합니다. 여기서 핵심은 상태 공간 모델(State Space Model, SSM) 과 자기 주의 메커니즘(self-attention mechanism) 의 활용입니다. SSM은 장기간의 시간적 의존성을 모델링하고, 자기 주의 메커니즘은 센서 간 상호작용을 동적으로 포착하여 센서 간 공간적 상관관계를 강조합니다.

놀라운 성능과 효율성

DecomposeWHAR은 세 가지 널리 사용되는 WHAR 데이터셋에서 기존 최첨단 모델들을 능가하는 성능을 보였습니다. 동시에 계산 효율성 또한 유지하여 실용성을 높였습니다. 코드와 보충 자료는 GitHub에서 확인할 수 있습니다.

결론적으로, DecomposeWHAR 모델은 다중 센서 웨어러블 기기를 활용한 인간 활동 인식 분야에 새로운 가능성을 제시하며, 향후 스마트 헬스케어 및 웨어러블 기술 발전에 크게 기여할 것으로 기대됩니다.