채널 독립적 인간 활동 인식(HAR)을 위한 융합 설계 방안

요약

본 연구는 다양한 센서 환경과 이질적인 채널 구성을 가진 사물인터넷(IoT) 환경에서의 인간 활동 인식(HAR) 문제를 다룹니다. 기존의 채널 고정 모델은 특정 데이터셋이나 장치에 종속되어 재사용성이 떨어지는 한계가 있습니다. 이를 해결하기 위해, 본 논문은 입력 채널 구조를 가정하지 않는 '채널 프리(Channel-Free)' HAR 프레임워크를 제안합니다. 이 프레임워크는 개별 채널 인코딩과 조건부 배치 정규화(Conditional Batch Normalization)를 활용한 메타데이터 기반의 후기 융합(Late Fusion)

핵심 포인트

• 제안된 '채널 프리' HAR 프레임워크는 입력 채널 수, 순서, 의미적 배열을 가정하지 않아 이질적인 IoT 환경에 강인합니다.
• 개별 채널 인코딩과 메타데이터 기반의 후기 융합(Late Fusion) 방식을 결합하여 구조 정보를 복원하고 예측 성능을 높입니다.
• 결합 손실(Combination Loss)을 통해 개별 채널의 판별력과 최종 융합 예측 간의 일관성을 동시에 최적화합니다.
• PAMAP2 데이터셋에서의 실험 및 6개 HAR 데이터셋에 대한 교차 데이터셋 전이 학습(Cross-dataset Transfer Learning) 분석에서 우수한 성능을 입증했습니다.