합성 데이터 기반 특징 선택으로 고령자 활동 인식 강화

초록

본 연구는 80세 이상 건강한 고령자 24명을 대상으로 허리와 대퇴부에 부착한 가속도계 데이터를 수집하고, 동적 시간 정렬 기반 바코센트 평균(DBA) 기법으로 합성 데이터를 생성하여 특징 선택에 활용하였다. 합성 데이터 안내형 특징 개입 모델(FIM)은 5가지 일상 활동(보행, 서기, 앉기, 눕기, 자세 전이)을 구분하는 데 평균 F1‑score 0.896~0.997을 달성했으며, 특히 임상적으로 중요한 전이 동작 인식에서 기존 모델 대비 유의하게 향상되었다.

상세 분석

이 논문은 고령자, 특히 대퇴골 골절 재활 환자에게 필요한 연속적인 신체 활동 모니터링을 목표로, 기존 중년층 중심의 HAR 시스템이 보이는 정확도 저하 문제를 해결하고자 한다. 데이터 수집 단계에서 저자들은 eHealth House라는 실내 자유 생활 환경을 구축하고, 25 Hz의 MOX 트라이액셀 가속도계와 128 Hz의 APDM 센서를 각각 대퇴 전면과 요추에 부착하였다. 두 센서 조합은 정적 자세와 동적 보행을 동시에 포착하기에 최적이며, 기존 연구에서 제시된 센서 위치 간 상보성을 반영한다.

전처리에서는 Savitzky‑Golay 필터(프레임 길이 0.12 s, 2차 다항식)를 적용해 고주파 잡음을 억제하고, 2 초 비중첩 윈도우로 세분화하였다. 윈도우 내 라벨이 혼합된 경우는 배제해 라벨링 오류를 최소화했다. 핵심 기법은 합성 데이터 생성으로, 각 활동별 최소 100개의 윈도우를 확보한 뒤, 참가자당 1개씩 무작위 추출해 DBA를 수행하였다. DBA는 DTW 기반 정렬 후 각 축별 평균 시계열을 산출함으로써, 개인별 변동성을 억제하고 공통된 시간‑진폭 패턴을 보존한다. 특히 보행은 4 초 윈도우를 사용해 주기성을 확보하고, 중앙 2 초만을 최종 합성 윈도우로 채택했다. 전이 동작은 길이 가변성을 고려해 동일 길이로 재조정하였다.

특징 선택은 완전히 합성 데이터에만 적용했으며, 이는 개인 특이적 노이즈를 배제하고 ‘주제 불변’ 특성을 추출하기 위함이다. 다중 단계 선택 파이프라인(예: 상관계수 기반 전처리 → L1 정규화 → 재귀적 특징 제거)을 통해 최종 6개의 차원으로 압축하였다. 선택된 특징은 실제 데이터에 적용되어, Leave‑One‑Subject‑Out 교차검증으로 모델을 학습·평가하였다. 비교 모델(CCM)은 실제 데이터만을 사용해 동일 파이프라인을 적용했으며, 두 모델 모두 동일한 분류기(예: 랜덤 포레스트)로 학습하였다.

성능 평가 결과, FIM은 보행(F1 = 0.896 ± 0.100), 서기(0.927 ± 0.039), 앉기(0.997 ± 0.004), 눕기(0.937 ± 0.202), 전이(0.816 ± 0.120)에서 높은 정확도를 보였으며, 특히 전이 동작에서 CCM 대비 통계적으로 유의한 개선(p < 0.05)을 기록했다. 이는 합성 데이터가 희소하고 불균형적인 전이 샘플을 보강함으로써, 모델이 일반화된 전이 패턴을 학습하도록 돕는 효과를 입증한다.

한계점으로는 샘플 규모가 24명에 불과하고, 실제 골절 환자군이 아닌 건강 고령자를 대상으로 했다는 점이다. 또한 합성 데이터 생성 과정에서 DBA가 평균 시계열을 과도하게 평탄화할 위험이 있어, 극단적 변동성을 가진 환자에게는 적용이 어려울 수 있다. 향후 연구에서는 실제 재활 환자 데이터를 포함한 대규모 코호트를 구축하고, GAN 기반 합성 데이터와 DBA를 비교하는 등 다양한 데이터 증강 기법을 검증할 필요가 있다.