심층 신경망을 활용한 심전도 신호 기반 정적 행동 인식

Abstract

본 연구의 목적은 단일 웨어러블 심전도 센서를 활용하여 인간의 정적 활동 유형을 식별하여 분류하는 것이다. 이를 위해 총 10명의 연구 참여자(남:5, 여:5)는 V2 위치에 웨어러블 심전도 센서를 부착하고 눕기, 앉기, 서기, 쪼그려 앉기의 네 가지 정적 행동을 취하였다. 본 연구에서는 참여자의 정적 행동 중에 나타나는 심전도 데이터를 수집하여 분류하기 위해 심층 신경망 모델인 1차원 합성곱 신경망(1D CNN)과 1차원 합성곱 신경망과 장단기 기억(LSTM) 층, 게이트 순환 유닛(GRU) 층을 각각 결합한 1D CNN-LSTM과 1D CNN-GRU 하이브리드 모델이 사용되었다. 분류 결과에서 1D CNN-GRU 하이브리드 모델이 91.45%의 테스트 정확도와 91.48%의 F1 점수를 달성하여 1D CNN, 1D CNN-LSTM 보다 개선된 분류 성능을 나타내었으며, t-SNE 결과를 통해 하이브리드 모델의 더욱 밀집된 데이터 포인트 분포를 확인하였다. 결론적으로 본 연구에서 활용된 1D CNN-GRU 하이브리드 모델이 정적 행동 유형을 정확하게 식별하는 데 효과적임을 나타내었다. 따라서, 제안된 모델이 비침습적인 방법으로 사용자의 행동인식에 대한 용이성을 개선할 것으로 기대한다.