보행보조기 기반 활동 인식을 위한 확률 모델 비교 연구

초록

본 연구는 센서가 부착된 보행보조기를 이용해 노인 사용자의 일상 활동을 자동으로 인식하고자, 은닉 마르코프 모델(HMM), 조건부 랜덤 필드(CRF), 베이지안 네트워크 등 여러 확률 모델을 설계·비교하였다. 은퇴 커뮤니티에 거주하는 건강한 대조군과 보행보조기 사용자를 대상으로 실험을 수행했으며, 모델별 정확도·재현율·F1‑스코어를 종합적으로 평가하였다. 결과는 HMM이 실시간 처리와 정확도 면에서 가장 우수했지만, CRF가 복합 활동 구분에 강점을 보였음을 보여준다.

상세 분석

이 논문은 보행보조기에 장착된 3축 가속도계, 자이로스코프, 압력 센서 등 6 자유도 데이터를 활용해 활동 인식 파이프라인을 구축하였다. 수집된 원시 신호는 0.5 s 윈도우와 50 % 오버랩으로 세분화하고, 시간 영역 평균·표준편차·신호 에너지, 주파수 영역 파워 스펙트럼 밀도 등 30여 개의 특징을 추출하였다. 특징 선택 단계에서는 상관계수와 L1 정규화를 결합한 방법으로 12개의 핵심 피처를 선정했으며, 이는 모델 복잡도 감소와 과적합 방지를 동시에 달성한다.

비교 대상 모델은 다음과 같다. 첫째, 전통적인 은닉 마르코프 모델(HMM)은 상태 전이 확률과 관측 확률을 가우시안 혼합 모델(GMM)로 추정했으며, Viterbi 알고리즘을 통해 최적 상태 시퀀스를 복원한다. 둘째, 조건부 랜덤 필드(CRF)는 라벨 간의 전역 의존성을 고려해 전체 시퀀스에 대한 로그우도 최대화를 수행했으며, L-BFGS 최적화와 L2 정규화를 적용해 학습 안정성을 확보했다. 셋째, 베이지안 네트워크는 각 센서 채널을 독립 노드로 두고, 활동 라벨을 부모 노드로 설정해 사후 확률을 직접 계산한다.

실험 결과, HMM은 평균 정확도 92.3 %와 F1‑스코어 0.91을 기록했으며, 실시간 처리 속도는 30 fps 이상으로 임베디드 구현에 적합했다. CRF는 복합 활동(예: 보행 중 물건 들기) 구분에서 88.7 %의 정확도를 보였으며, 특히 전이 오류가 빈번한 경계 구간에서 HMM보다 4 % 높은 재현율을 달성했다. 베이지안 네트워크는 구조가 단순해 학습 시간이 짧았지만, 관측 노이즈에 민감해 전체 정확도는 81.5 %에 머물렀다.

또한, 사용자 그룹별 성능 차이를 분석한 결과, 보행보조기 사용자는 비보조기 사용자에 비해 움직임 패턴이 더 일정하고, 이는 HMM의 상태 전이 모델링에 유리하게 작용했다. 반면, 보조기 사용자는 보조기와 몸통 간의 상대적 움직임이 복합적이어서 CRF가 더 높은 구분 능력을 보였다.

이러한 분석을 통해 저자는 활동 인식 시스템 설계 시, 목표 응용(실시간 경고 vs. 상세 행동 분석)과 사용자 특성에 따라 모델을 선택해야 함을 강조한다.