에너지 효율적인 인간 활동 인식을 위한 스파이킹 자동인코더 기반 채널 응답 압축

초록

본 논문은 채널 임펄스 응답(CIR)을 직접 입력으로 사용하고, 스파이킹 컨볼루션 자동인코더(SCAE)와 스파이킹 신경망(SNN)을 결합해 인간 활동 인식(HAR)을 수행한다. 학습 기반 스파이크 인코딩을 통해 81.1%의 높은 희소성을 달성하면서도 기존 하이브리드 방식과 거의 동등한 96% 수준의 F1 점수를 얻었다.

상세 분석

이 연구는 ISAC(통합 sensing‑communication) 환경에서 에너지 제약이 있는 엣지 디바이스에 적합한 HAR 솔루션을 제시한다. 기존 RF‑기반 HAR은 Doppler 스펙트로그램이나 레인지‑도플러 맵을 생성한 뒤, 복잡한 딥러닝 모델을 적용해 높은 정확도를 얻었지만, 데이터 양과 연산량이 커서 전력 소모가 크다. 저자는 이러한 전처리 과정을 생략하고, 원시 CIR 데이터를 그대로 활용하는 새로운 파이프라인을 설계했다. 핵심은 스파이킹 컨볼루션 자동인코더(SCAE)이다. 인코더는 3D Conv 레이어와 LIF(Leaky Integrate‑and‑Fire) 뉴런을 사용해 입력 CIR을 이진 스파이크 시퀀스로 변환하고, 디코더는 전치 Conv와 LIF, 마지막에 시그모이드 활성화를 통해 원본을 재구성한다. 인코더‑디코더가 공동 학습되면서 재구성 손실과 분류 정확도를 동시에 최소화하도록 설계되었으며, 이를 통해 스파이크 표현이 인간 움직임에 중요한 스펙트럼 특징을 보존하도록 유도한다.

SNN 분류기는 평균 풀링으로 차원을 축소한 뒤, 완전 연결층 3개(128, 64, 클래스 수)와 LIF 뉴런으로 구성된다. 출력은 레이트 코딩 방식으로 해석한다. 학습은 29 타임스텝 동안 진행되며, 스파이크 발생 비율(희소도)은 81.1%에 달한다. 이는 기존 CAE 기반 인코딩(28.6% 희소)이나 단순 델타 임계값 인코딩(71.7% 희소)보다 현저히 높은 수준이다.

실험은 60 GHz IEEE 802.11ay 기반 DISC 데이터셋을 사용했으며, 7명의 피험자 중 5명은 훈련, 2명은 검증·테스트에 배정해 주관외 일반화 능력을 평가했다. 전처리 단계에서는 IQR 기반으로 변동성이 큰 10개의 레인지 빈을 선택하고, 실수·허수 성분을 모두 보존해 입력 차원을 (2, N, R, W)로 만든다. 결과적으로 제안 모델은 F1 ≈ 96%를 달성했으며, 동일 데이터에 대해 기존 CNN‑SNN 하이브리드가 보인 10%p 이하의 성능 저하를 회피했다. 또한, 스파이크 기반 처리 덕분에 곱셈‑누산(MAC) 연산이 거의 사라지고, 누산(AC) 연산만 남아 에너지 효율이 크게 향상될 것으로 기대된다.

이 논문은 (1) 원시 CIR에 대한 학습 기반 스파이크 인코딩 방법을 최초로 제안, (2) 스파이킹 자동인코더와 SNN을 엔드‑투‑엔드로 공동 학습시켜 높은 정확도와 희소성을 동시에 달성, (3) 기존 복잡한 도플러 전처리 없이도 실시간 엣지 디바이스에 적용 가능한 구조를 제공한다는 점에서 의미가 크다. 향후 Neuromorphic 하드웨어에 구현하면 실제 전력 절감 효과를 정량화할 수 있을 것이며, 다중 활동·다중 사용자 시나리오에도 확장 가능할 것으로 보인다.