비침습 열쾌감 인식과 딥러닝 기반 에너지 효율

초록

본 논문은 피부의 미세 움직임·텍스처 변화를 확대 분석하고 315계층 심층 신경망을 이용해 피부 온도와 열쾌감 사이의 관계를 모델링한다. 1.44 백만 개의 실험 데이터를 기반으로 비침습 측정 알고리즘(NIDL)을 개발하고, 부분 개인화 포화 온도 모델(NIPST)과 비교하여 평균 오차 0.4834 °C, 중앙값 오차 0.3464 °C를 달성, 기존 방법 대비 정확도가 각각 16.28 %와 4.28 % 향상됨을 입증한다.

상세 분석

이 연구는 건물 에너지 관리에서 인간 열쾌감 피드백을 비침습적으로 획득하기 위한 새로운 패러다임을 제시한다. 핵심 아이디어는 고속 카메라와 영상 증폭 기술을 활용해 피부 표면의 미세 진동·텍스처 변화를 ‘subtle magnification’으로 확대하고, 이를 정량적인 피처로 변환하는 것이다. 기존의 열쾌감 측정은 주로 온도 센서나 설문조사에 의존했으며, 개인별 착용 불편과 데이터 수집 비용이 크게 작용했다. 본 논문은 이러한 한계를 극복하기 위해 영상 기반 비접촉 방식을 채택하고, 315계층으로 구성된 초대형 딥러닝 모델을 설계하였다.

네트워크는 입력 피처(시간‑주파수 도메인 변동, 텍스처 흐름, 색상 변화 등)를 다중 스케일 컨볼루션 레이어와 잔차 연결을 통해 고차원 표현으로 변환한다. 이후 완전 연결 레이어와 온도 회귀 헤드를 통해 피부 온도(즉, 열쾌감)의 연속값을 예측한다. 모델 학습은 1.44 백만 개의 라벨링된 데이터(피부 온도와 동시 촬영된 영상)로 수행됐으며, 데이터 증강 및 정규화 기법을 적용해 과적합을 방지했다.

알고리즘 성능 평가는 부분 개인화 포화 온도 모델(NIPST)과 직접 비교했다. NIPST는 개인별 온도 포화점에 기반한 통계적 회귀 모델로, 기존 연구에서 높은 정확도를 보였지만 개인 차이를 충분히 반영하지 못한다는 한계가 있었다. 실험 결과, NIDL은 평균 절대 오차(MAE) 0.4834 °C, 중앙값 절대 오차(MedAE) 0.3464 °C를 기록했으며, 이는 NIPST 대비 각각 16.28 %와 4.28 %의 정확도 향상을 의미한다. 특히, 온도 변화가 미세한 상황(±0.5 °C)에서도 NIDL은 안정적인 추정값을 제공해 실시간 HVAC 제어에 적합함을 보여준다.

또한, 연구팀은 알고리즘의 실시간 적용 가능성을 검증하기 위해 GPU 가속 추론 파이프라인을 구축했으며, 프레임당 15 ms 이하의 처리 시간을 달성했다. 이는 건물 관리 시스템에 실시간 피드백을 제공할 수 있음을 의미한다. 마지막으로, 비침습 방식의 윤리적·프라이버시적 장점도 강조했으며, 영상 데이터는 익명화 및 암호화 과정을 거쳐 저장·전송한다는 점을 명시했다.