계층적 시계열 컨볼루션 네트워크: 개인 정보 중심의 활동 인식을 향하여

노령화 인구와 관련된 보건의료 문제에 대응하기 위해 다양한 앰비언트 보조 생활(Ambient Assisted Living, AAL) 기술이 개발되고 있다. 클라우드 기반의 데이터 처리와 관련된 개인정보 보호 문제를 완화하기 위해, 최근 연구 방향은 로컬 데이터 처리를 위한 엣지 장치의 활용으로 이동하고 있다. 이러한 엣지 장치의 장점은 인식되지만, 제한된 계산 자원으로 인해 실시간 성능을 확보하는 데 큰 도전 과제가 존재하며, 이는 종종 필수적인 요구사항이다. 특히, 고령자들의 일상 활동을 인식하기 위한 최근의 컴퓨터 비전 기반 기법은 정확한 활동 인식을 위해 필수적인 다중 척도 시계열 맥락을 포착할 때 계산 복잡도가 급격히 증가하는 문제가 있다. 이러한 맥락에서 본 연구는 계산 복잡도 증가 없이 다중 척도 시계열 정보를 효과적으로 포착할 수 있는 HT-ConvNet(Hierarchical Temporal Convolution Network)을 제안한다. HT-ConvNet은 연속된 합성곱 계층을 통해 지수적으로 증가하는 수용장(Receptive Field)을 활용하여 시계열 특징의 효율적인 계층적 추출을 가능하게 한다. 또한, 가장 중요한 특징을 강조하기 위한 적응형 가중치 메커니즘을 제공한다. 실험 결과, 다중 척도 시계열 특징 추출 및 특징 가중 융합 메커니즘이 기존 방법들보다 정확도 향상에 뛰어난 성능을 보이며, 모델 복잡도 증가 없이도 우수한 결과를 얻었다. 관련 코드는 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/Gbouna/HT-ConvNet.