CNN-BiLSTM 모델을 활용한 웨어러블 센서 기반 좌식 행동 분류
Sedentary Behavior Classification for Wearable Sensors with a CNN-BiLSTM Model
좌식 행동(sedentary behavior)을 정확히 탐지하는 것은 장시간 앉아있는 것과 관련된 건강 위험을 연구하는 데 중요하지만, 웨어러블 센서(특히 손목 착용 센서)를 사용한 자세 기반 분류는 여전히 까다로운 과제입니다. 본 연구에서는 둔부 착용 가속도계 데이터로 학습된 심층 학습(deep learning) 모델이 앉기 대 앉지 않기 분류를 위해 손목 착용 가속도계 데이터로 전이될 수 있는지를 살펴봅니다. 원래 둔부 가속도계용으로 개발된 CNN-BiLSTM 모델인 CHAP을 사용하며, 손목 데이터에 대한 제로샷(zero-shot) 성능뿐만 아니라 라벨링된 손목 데이터의 양을 달리하여 파인튜닝(fine-tuning)을 통한 적응 성능도 평가합니다. 실험은 웨어러블 카메라에서 추출한 정답 자세 라벨이 포함된 iWatch 데이터셋을 대상으로 수행되었습니다. 둔부 데이터로 학습된 모델은 재학습 없이도 둔부 데이터에서 강력한 성능을 보이지만, 센서 부착 위치 변화(sensor placement shift)로 인해 손목 데이터에서는 정확도가 떨어집니다. CHAP을 파인튜닝하면 처음부터 학습된(scratch) 트랜스포머 모델에 비해 일관된 이점을 제공합니다. 이러한 결과는 둔부 기반 사전학습이 손목 배치를 위한 유용한 출발점을 제공함을 시사하는 동시에, 더 높은 신호 변동성을 처리하기 위해 손목 특화 적응이 필요함을 강조합니다.