채널 독립적 인간 활동 인식(HAR)을 위한 융합 설계 방안

사물인터넷(IoT) 환경에서의 인간 활동 인식(HAR, Human Activity Recognition)은 본질적으로 이질적인 센서 설정에 직면합니다. 데이터셋마다, 장치마다, 신체 부위별로, 감지 방식(sensing modalities) 및 채널 구성이 상이하기 때문에, 기존의 채널 구조를 고정적으로 가정하는 모델들은 특정 환경에 과도하게 의존하여 재사용성이 매우 낮습니다.

본 연구는 이러한 문제를 해결하기 위해 채널 프리(Channel-Free) HAR 접근 방식을 탐구합니다. 이는 입력 채널의 개수, 순서, 또는 의미적 배열을 미리 가정하지 않고 단일 공유 모델이 추론을 수행하는 것을 목표로 합니다. 따라서 센서별 입력 레이어나 데이터셋별 채널 템플릿에 의존할 필요가 없습니다.

저자들은 이러한 환경에서 **융합 설계(Fusion Design)**가 핵심 문제라고 주장하며, 이를 해결하기 위한 프레임워크를 제안합니다. 이 프레임워크는 세 가지 주요 구성 요소로 이루어져 있습니다:

1. 채널별 인코딩 (Channel-wise Encoding) 및 공유 인코더: 각 채널을 독립적으로 처리하여 다양한 채널 구성을 수용할 수 있게 합니다.
2. 메타데이터 기반 후기 융합 (Metadata-conditioned Late Fusion): 신체 위치, 감지 방식(modality), 축(axis)과 같은 센서 메타데이터를 활용합니다. 이 정보는 단순히 채널 독립적인 처리만으로는 복원하기 어려운 구조적 정보를 회복하는 데 도움을 줍니다.
3. 결합 손실 (Combination Loss): 개별 채널의 판별력(discriminability)과 최종 융합 예측 간의 일관성(consistency)을 동시에 최적화하도록 유도합니다.

이러한 설계 덕분에 제안된 모델은 다양한 채널 환경에서도 견고하게 작동하며, 메타데이터를 통해 구조적 맥락 정보를 효과적으로 통합할 수 있습니다. 실험 결과는 PAMAP2 데이터셋에서의 성능뿐만 아니라, 6개의 HAR 데이터셋에 대한 광범위한 로버스트니스 분석, 제거 연구(Ablation Studies), 민감도 분석, 효율성 평가 및 교차 데이터셋 전이 학습을 통해 그 우수성을 입증했습니다. 이는 본 모델이 이질적인 IoT 환경의 HAR 문제에 효과적으로 대응할 수 있음을 보여줍니다.