WiFi 기반 낙상 감지를 위한 적대적 데이터 증강

초록

본 논문은 WiFi CSI 데이터를 활용한 낙상 감지 시스템의 환경 일반화 문제를 해결하고자, 적대적 데이터 증강(ADA) 기법을 적용한다. FallDeFi 데이터셋을 기준으로 6‑layer CNN 및 변형 모델에 ADA를 적용해 보았으며, 미지의 테스트 도메인에서 약간의 정확도 향상을 확인했지만, 향상 폭이 크지는 않다.

상세 분석

본 연구는 WiFi 기반 인간 행동 인식, 특히 낙상 감지 분야에서 가장 큰 걸림돌인 “도메인 일반화” 문제에 초점을 맞춘다. 기존 연구들은 CSI의 진폭·위상 정보를 이용해 높은 정확도를 달성했지만, 대부분 동일 환경·동일 피험자에서만 학습·평가했기 때문에 새로운 실내 배치나 다른 사용자를 대상으로 하면 성능이 급격히 저하되는 한계를 보였다. 이러한 문제를 해결하기 위해 저자들은 최근 도메인 일반화 분야에서 제안된 적대적 데이터 증강(Adversarial Data Augmentation, ADA) 방법을 차용하였다. ADA는 원본 소스 도메인의 데이터에 대해 Wasserstein 거리 ρ만큼 떨어진 가상의 타깃 도메인 샘플을 생성하고, 이를 반복적으로 최대화·최소화 단계에 삽입해 모델을 학습한다. 즉, “가장 악조건”의 데이터 변형을 미리 만들어 모델이 그 변형에 강인하도록 만드는 것이다.

구현 측면에서 논문은 두 가지 주요 흐름을 제시한다. 첫째, 원본 CSI 바이너리 파일을 1000 Hz 샘플링률에서 10 초 구간(10000 × 60)으로 변환한 뒤, 메모리 부담을 줄이기 위해 500 × 60으로 다운샘플링한다. 다운샘플링 과정에서 두 안테나의 신호를 결합해 채널 간 상관성을 유지하면서도 연산 효율을 확보한다. 둘째, ADA를 적용한 CNN 구조(CNN‑ADA)를 설계한다. 5 × 5 커널을 갖는 64·128개의 필터를 차례로 적용하고, 각각 max‑pooling을 거친 뒤 전결합층과 softmax로 분류한다. 여기서 ADA는 k = 100번의 반복을 통해 다양한 ρ 값을 탐색하고, 각 ρ에 대해 별도 모델을 학습시켜 앙상블 형태로 최종 예측에 활용한다.

실험은 공개된 FallDeFi 데이터셋을 사용했으며, 훈련 도메인과 테스트 도메인을 명확히 구분해 교차 환경 평가를 수행했다. 결과는 기존 6‑layer CNN 대비 ADA 적용 모델이 정확도, 정밀도, 재현율 모두 약 1~2%p 정도 향상된 것으로 보고된다. 그러나 향상 폭이 작고, 특히 복잡한 환경 변동(예: 가구 배치, 다중 사용자)에서는 여전히 성능 저하가 관찰된다. 이는 ADA가 Wasserstein 거리 기반의 가상 변형을 생성하지만, 실제 물리적 환경 변화가 복합적인 비선형 요인을 포함하기 때문에 완전한 일반화를 보장하지 못한다는 점을 시사한다.

또한 논문은 몇 가지 한계점을 명시한다. 첫째, ρ 값 선택이 경험적이며 최적화가 필요하다. 둘째, 현재는 CSI 진폭만을 사용했으며 위상 정보 활용이 제한적이다. 셋째, 모델 앙상블 방식이 테스트 시점에 가장 적합한 모델을 선택하는 추가 비용을 발생시킨다. 향후 연구에서는 다중 도메인 데이터를 활용한 메타‑학습, 위상·진폭 복합 특성 추출, 그리고 실시간 적용을 위한 경량화 모델 설계가 제안된다.

요약하면, 본 논문은 WiFi CSI 기반 낙상 감지 시스템에 ADA를 적용해 도메인 일반화 성능을 약간 개선했지만, 실용적인 수준의 견고함을 확보하기 위해서는 보다 정교한 데이터 증강 전략과 다중 모달리티 통합이 필요함을 보여준다.