실내 활동·위치 추정을 위한 환경 센서 기반 웨어러블

초록

본 파일럿 연구에서는 착용형 멀티센서를 이용해 온도·습도·조도 등 환경 파라미터와 가속도 데이터를 동시에 수집하였다. 실내·실외의 여덟 가지 일상 활동(책상 앉기, 실내 보행·달리기, 운동 후 휴식, 계단 오르기·내리기, 엘리베이터 탑승, 야외 보행) 동안 측정된 환경 변화가 활동 유형에 따라 통계적으로 유의미함을 확인하였다. 환경 특성을 활용한 특징량을 설계하고, 이를 가속도와 결합한 다중모델 분류에서는 99.13%의 최고 정확도를 달성하였다. 연구 결과는 건물 에너지 관리와 개인 맞춤형 쾌적성 제어를 위한 센서 융합 전략의 가능성을 제시한다.

상세 분석

본 논문은 기존의 활동 인식 연구가 주로 가속도계, 자이로스코프 등 동작 센서에 의존하는 반면, 환경 센서(온도, 습도, 조도)를 추가함으로써 새로운 차원의 특징을 추출한다는 점에서 혁신적이다. 실험 설계는 피험자 10명을 대상으로 8가지 대표적인 실내·실외 활동을 수행하게 하고, 각 활동별로 5 Hz 이상의 샘플링으로 환경 데이터와 3축 가속도 데이터를 동시에 기록하였다. 데이터 전처리 단계에서는 이동 평균과 저역통과 필터를 적용해 노이즈를 감소시켰으며, 활동 전후의 전이 구간을 별도로 라벨링하여 ‘휴식’ 상태를 정밀하게 구분하였다.

특징 설계는 크게 두 축으로 나뉜다. 첫째, 정적 특성으로는 활동 중 평균 온도·습도·조도, 그리고 이들의 표준편차와 변동 계수를 사용하였다. 예를 들어, 계단을 오를 때는 신체 대사량 증가로 인한 미세한 체온 상승이 주변 온도 센서에 반영되어 평균 온도가 상승하고, 조도는 계단실의 조명 특성에 따라 일정 패턴을 보인다. 둘째, 동적 특성으로는 환경 파라미터의 1차·2차 미분값, 그리고 짧은 윈도우 내에서의 피크-피크 간격 등을 추출하였다. 이러한 동적 특징은 특히 ‘실내 달리기’와 ‘실외 보행’처럼 빠른 움직임에 따른 공기 흐름 변화와 조명 변동을 포착한다.

통계적 검증에서는 ANOVA와 사후 검정(Tukey HSD)을 통해 각 활동 간 환경 특징의 구분 가능성을 입증하였다. 결과적으로 온도와 습도는 ‘정적·정지’ 활동(책상 앉기, 엘리베이터 탑승)과 ‘동적·고강도’ 활동(달리기, 계단 오르기) 사이에서 유의미한 차이를 보였으며, 조도는 실내·실외 구분에 가장 큰 기여도를 나타냈다.

분류 모델은 전통적인 SVM, Random Forest, 그리고 심층 학습 기반 1‑D CNN을 적용했으며, 환경 특징만을 사용했을 때 평균 정확도는 85 % 수준에 머물렀다. 그러나 가속도 특징과 환경 특징을 결합한 다중 모달 입력에서는 Random Forest가 99.13 %의 최고 정확도를 기록하였다. 이는 환경 센서가 가속도만으로는 포착하기 어려운 ‘위치’ 정보를 보완함을 의미한다. 또한 피처 중요도 분석을 통해 온도 평균, 조도 변동성, 그리고 가속도 RMS가 상위 3개의 결정 요인으로 도출되었다.

연구의 한계로는 실험 환경이 제한된 연구실 및 사무실에 국한됐으며, 센서 캘리브레이션 오차와 개인별 체온·땀 분비 차이가 결과에 미치는 영향을 완전히 보정하지 못했다는 점을 들 수 있다. 향후 연구에서는 다양한 건물 유형(병원, 학교, 공장)과 더 많은 피험자를 대상으로 장기 데이터를 수집하고, 베이지안 네트워크나 그래프 신경망을 활용한 시계열 융합 모델을 개발함으로써 실시간 에너지 관리 시스템에 적용할 수 있을 것으로 기대된다.