비지도 통계적 특징 유도 확산 모델을 이용한 센서 기반 인간 활동 인식

체내 센서를 통한 인간 활동 인식(HAR)은 개인 건강, 스포츠 및 웰니스, 산업 4.0에 이르기까지 다양한 AI 응용 분야에서 핵심 기능으로 자리 잡고 있다. 컴퓨터 비전과 같은 다른 머신러닝 분야에 비해 웨어러블 센서 기반 HAR 분야의 발전을 저해하는 주요 문제는 다양한 라벨링된 학습 데이터의 부족이다. 특히 온라인 리포지토리에는 수많은 라벨링된 이미지가 존재하지만, 자유롭게 이용 가능한 센서 데이터는 희박하며 대부분 라벨이 붙어 있지 않다. 본 연구에서는 관성 측정 장치(IMU)와 같은 웨어러블 센서 기반 인간 활동 인식에 특화된 비지도 통계적 특징 유도 확산 모델을 제안한다. 이 방법은 라벨링된 학습 데이터에 의존하지 않고 합성된 라벨링된 시계열 센서 데이터를 생성한다. 이를 통해 실제 센서 데이터의 부족과 라벨링 어려움을 해결한다. 평균, 표준편차, Z-점수, 왜도와 같은 통계적 정보를 조건으로 확산 모델을 조절함으로써 다양한 대표성 있는 합성 센서 데이터를 생성한다. 공개된 인간 활동 인식 데이터셋을 대상으로 실험을 수행하여 기존의 오버샘플링 기법과 최첨단 생성적 적대 신경망(GAN) 기법과 비교하였다. 실험 결과, 제안된 방법이 인간 활동 인식 성능을 향상시키며, 기존 기술들을 상회함을 입증하였다.