채널별 자동인코더 앙상블을 이용한 미감지 낙상 탐지

본 논문은 낙상이 드물게 발생하고 실제 낙상 데이터를 수집하기 어려운 현실을 고려하여, 정상 활동 데이터만을 이용한 비지도 학습 기반 낙상 탐지 방법을 제안한다. 자동인코더(AE)와 스택드 자동인코더(SAE)는 입력 데이터를 압축하고 재구성하는 과정에서 재구성 오류를 최소화하도록 학습되며, 정상 데이터와 다른 패턴을 보이는 낙상은 높은 재구성 오류를 나타낸다. 기존 연구에서는 가속도와 자이로스코프의 6채널 데이터를 하나의 벡터로 결합해 단일 AE에 입력했지만, 센서 채널마다 신호 특성과 노이즈 수준이 다르다는 점을 간과했다. 이에 저자는 각 채널별로 독립적인 AE를 학습시키는 ‘채널‑별 앙상블’ 방식을 도입하였다. 구체적으로는 (1) 6채널 앙상블(6CE) – ax, ay, az, ωx, ωy, ωz 각각에 AE를 학습하고, (2) 2채널 앙상블(2CE) – 가속도와 자이로스코프의 벡터 크기(즉, √(ax²+ay²+az²)와 √(ωx²+ωy²+ωz²))에 AE를 학습한다. 테스트 시 각 AE는 재구성 오류를 산출하고, 사전에 정의된 임계값을 초과하면 해당 채널에서 ‘낙상’으로 판단한다. 최종 판단은 다수결 원칙에 따라 통합되며, 동점일 경우 낙상으로 간주한다. 임계값 설정은 기존에 훈련 데이터의 최대 재구성 오류(MaxRE)를 그대로 사용하는 것이 노이즈에 민감해 실제 낙상 검출률을 저하시킨다는 문제점을 가지고 있었다. 이를 해결하기 위해 두 가지 새로운 임계값 축소 기법을 제안한다. 첫 번째는 훈련 데이터의 재구성 오류 분포에서 이상치를 제거하고, 남은 데이터의 사분위 범위(IQR)를 이용해 보다 보수적인 임계값을 계산하는 방법이다. 두 번째는 이상치를 제거한 후 동일한 구조의 AE를 다시 학습시켜, 보다 정밀한 재구성 오류 분포를 얻은 뒤 그 평균 ± 3σ(StdRE) 방식으로 임계값을 설정한다. 이러한 절차는 검증용 ‘부정 클래스’가 존재하지 않는 One‑Class Classification 상황에서도 데이터 자체만으로 최적의 운영점에 가까운 임계값을 도출하도록 설계되었다. 실험은 두 개의 공개된 활동 인식 데이터셋(하나는 실험실 환경의 모션 캡처 기반 가속·자이로 데이터, 다른 하나는 스마트폰 센서 데이터)에서 수행되었다. 각 데이터셋은 다양한 정상 활동과 실제 낙상 이벤트를 포함하고 있으며, 학습 단계에서는 낙상 라벨을 전혀 사용하지 않았다. 결과는 다음과 같다. 1. 채널‑별 앙상블(6CE, 2CE)은 단일 모놀리식 AE에 비해 재구성 오류 기반 검출률(F1-score, Recall)에서 유의미하게 향상되었다. 특히 6CE는 각 축의 특성을 개별적으로 학습함으로써 노이즈에 대한 강인성을 확보했다. 2. 제안된 임계값 축소 기법을 적용했을 때 False Positive Rate가 크게 감소하였다. MaxRE 기반 임계값에 비해 StdRE와 IQR 기반 임계값은 낙상 검출률을 유지하면서 오탐을 30% 이상 줄였다. 3. 채널별 AE는 입력 차원을 감소시켜 학습 및 추론 속도에서도 단일 AE보다 효율적이었다. 특히 2CE는 연산량이 절반에 불과하면서도 성능 저하가 거의 없었다. 4. 기존의 One‑Class SVM, Isolation Forest, Local Outlier Factor 등 전통적인 이상 탐지 기법과 비교했을 때, 제안된 방법은 전반적인 정확도와 재현율에서 우수한 결과를 보였다. 본 논문의 주요 기여는 다음과 같다. 첫째, 센서 채널 특성을 반영한 독립 AE 앙상블 설계로, 채널 간 상호작용을 최소화하고 각 채널에 최적화된 특성을 학습한다. 둘째, 훈련 데이터만을 이용해 자동으로 임계값을 축소하는 두 가지 방법을 제시함으로써, 노이즈에 강인하고 실제 낙상 검출에 적합한 운영점을 찾는다. 셋째, 다양한 공개 데이터셋과 기존 방법과의 비교 실험을 통해 제안 방법의 효과성을 입증한다. 이러한 접근은 낙상과 같이 희귀 이벤트를 다루는 의료·헬스케어 분야뿐 아니라, 다른 종류의 이상 탐지 문제에도 일반화 가능성을 시사한다.