스마트폰 기반 인간 활동 인식

초록

본 연구는 스마트폰의 3축 가속도계만을 이용해 인간의 일상 활동을 인식하는 시스템을 설계하였다. 시간·주파수 영역에서 31개의 특징을 추출하고, 차원 축소와 4가지 분류기(이차식 판별기, k‑최근접 이웃, 서포트 벡터 머신, 인공 신경망)를 적용하였다. 또한 라벨링 비용을 절감하기 위해 능동 학습 기법을 도입했으며, 수동 학습에서는 84.4%의 정확도를 달성하고, 능동 학습에서는 라벨링 양을 크게 줄이면서 유사한 성능을 유지하였다.

상세 분석

이 논문은 스마트폰이라는 일상적인 디바이스에 내장된 3축 가속도계만을 활용해 인간 활동 인식(HAR) 시스템을 구현한 점에서 실용성이 높다. 가속도계 신호는 원시 데이터가 고차원이며 잡음에 민감하기 때문에, 저자들은 시간 영역(평균, 표준편차, 최대값, 최소값, 제로 크로싱 비율 등)과 주파수 영역(FFT 기반 파워 스펙트럼, 에너지 비율, 주파수 중심 등)에서 총 31개의 특징을 설계하였다. 이러한 특징 설계는 기존 연구에서 흔히 사용되는 6~12개의 특징보다 풍부하여, 활동 간 미세한 차이를 포착할 가능성을 높인다.

차원 축소 단계에서는 두 가지 접근법을 병행하였다. 첫 번째는 주성분 분석(PCA)과 같은 선형 변환 기반의 특징 추출으로, 데이터 분산을 최대한 보존하면서 차원을 감소시켰다. 두 번째는 특징 선택(subset selection)으로, 상관관계 분석 및 전진 선택 기법을 통해 분류 성능에 가장 크게 기여하는 소수의 특징을 선별하였다. 이중 어느 방법을 사용하든, 과적합 위험을 낮추고 실시간 구현에 필요한 연산량을 크게 절감할 수 있었다.

분류기 선택에서도 다양성을 추구하였다. 이차식 판별기(QDA)는 클래스별 공분산 행렬을 별도로 추정해 비선형 경계 형성이 가능하므로, 복잡한 활동 패턴을 구분하는 데 유리했다. k‑최근접 이웃(k‑NN)은 비모수적 특성으로 데이터 분포에 대한 가정이 없으며, 거리 기반 메트릭을 통해 직관적인 분류가 가능했다. 서포트 벡터 머신(SVM)은 커널 함수를 이용해 고차원 특징 공간에서 최적 초평면을 찾으며, 특히 라벨이 불균형한 경우에도 견고한 성능을 보였다. 마지막으로 다층 퍼셉트론(ANN)은 비선형 관계를 학습하는 데 강점을 가지고 있었으며, 은닉층 수와 뉴런 수를 조절해 모델 복잡도를 최적화하였다. 실험 결과, 네 모델 모두 80% 이상을 초과하는 정확도를 기록했으며, 특히 SVM과 ANN이 가장 높은 성능을 보였다.

능동 학습(active learning) 파트에서는 라벨링 비용을 최소화하기 위해 불확실도 기반 샘플링(uncertainty sampling)과 쿼리‑바이‑커미티(query-by-committee) 전략을 적용하였다. 초기에는 소량의 라벨된 데이터만 사용해 모델을 학습하고, 이후 모델이 가장 불확실하게 예측하는 샘플을 선택해 전문가에게 라벨을 요청한다. 이 과정을 반복함으로써 전체 데이터셋의 30~40% 수준만 라벨링해도 수동 학습과 동등한 정확도(≈82%)에 도달하였다. 이는 실제 현장에서 대규모 라벨링이 어려운 상황에 매우 유용한 접근법이다.

또한 저자들은 스마트폰이 사용자의 주머니, 가방, 손 등에 다양한 위치와 자세로 놓였을 때도 시스템이 견고하게 동작함을 검증하였다. 위치 변화에 따른 신호 차이를 보정하기 위해 위치 무관 특징(position‑invariant features)을 설계하고, 교차 검증을 통해 각 위치별 정확도 차이가 5% 이하로 제한되었음을 보고하였다. 이는 실제 서비스 적용 시 사용자 행동에 크게 구애받지 않는 장점을 제공한다.

전반적으로 이 논문은 센서 선택, 특징 설계, 차원 축소, 다중 분류기 비교, 그리고 라벨링 비용 절감을 위한 능동 학습까지 HAR 파이프라인 전반을 포괄적으로 다루었다. 다만, 실험이 제한된 인구(주로 대학생)와 실내 활동(걷기, 앉기, 서기, 계단 오르기 등) 위주였으며, 실외 환경이나 복합 활동(예: 물건 들고 걷기)에서는 추가 검증이 필요하다. 향후 연구에서는 다중 센서(자이로스코프, 마그네토미터)와 딥러닝 기반 시계열 모델(LSTM, Transformer)과의 비교를 통해 성능 한계를 탐색할 여지가 있다.