최근 웨어러블 센서의 스마트워치 및 스마트폰 등에의 보편화와 딥러닝 기법의 발전으로 인해 인간 활동 인식(Human Activity Recognition, HAR)에 관한 연구가 크게 증가하고 있다. 이러한 딥러닝 기법들은 원시 센서 신호에서 수작업으로 특징을 추출할 필요 없이 자동으로 유의미한 특징을 학습할 수 있다는 장점이 있다. 그러나 딥러닝을 HAR에 적용할 때의 주요 단점은 수작업으로 라벨링된 학습 데이터가 필요하다는 점이며, 특히 HAR 데이터셋의 경우 라벨링 작업이 매우 어렵고 비용이 많이 든다. 이에 따라 비지도 학습 환경에서의 진전이 시작되고 있으며, 라벨 없이도 데이터에 라벨을 부여할 수 있는 딥 HAR 클러스터링 모델이 등장하고 있다. 그러나 딥 HAR 클러스터링 모델의 평가 방법에 여전히 여러 문제점이 존재하여, 이 분야의 발전을 평가하거나 새로운 방법을 설계하는 데 어려움이 있다. 본 논문에서는 딥 HAR 클러스터링 모델의 평가 방식에 존재하는 여러 독립적인 문제점을 제시하고, 각 문제점의 구체적인 내용을 설명하며, 정교한 실험을 통해 이러한 문제들이 결과에 미치는 영향을 명확히 분석한다. 이후 이러한 문제점에 대한 해결 방안을 논의하고, 향후 딥 HAR 클러스터링 모델에 대한 표준 평가 설정을 제안한다. 더불어, 본 연구에서는 새로운 딥 클러스터링 모델을 제안한다. 제안된 평가 설정 하에서 테스트한 결과, 기존 모델들과 비교하여 성능이 우수하거나 동등하며, 자동에코더(Autoencoder)를 사용하지 않음으로써 더 효율적이고, 보다 복잡한 데이터셋에 더 잘 확장 가능한 특성을 갖는 것으로 나타났다.