저전력 손목 디바이스용 실시간 신체활동 분류기

본 논문은 손목에 착용하는 저전력 웨어러블 디바이스용 실시간 신체활동 분류기를 설계·학습·평가하는 과정을 상세히 기술한다. 서론에서는 현재 피트니스 트래커와 스마트워치가 일상적인 신체활동·수면·에너지 소비를 모니터링하는 주요 플랫폼으로 자리 잡았으며, 특히 가속도계 기반의 활동 인식이 비용·전력·소형화 측면에서 가장 효율적이라는 점을 강조한다. 그러나 실험실 환경에서 얻은 높은 정확도가 실제 생활에서 그대로 유지되기 어렵다는 문제점을 제시하고, 기존의 전통적인 특징 기반 분류기와 순수 머신러닝 기반 분류기 각각의 장단점을 논의한다. 데이터 수집 단계에서는 PulseOn이 개발한 손목 밴드(3축 가속도계 LIS3DSH, ±8 g, 12‑bit, 25 Hz)를 이용해 140명의 피험자(남성 76명, 여성 64명)로부터 418개의 녹음 파일, 총 440 시간 이상의 원시 데이터를 확보하였다. 각 녹음은 ‘ADLY’, ‘BOUT’, ‘FVO2’, ‘LVO2’ 등 다양한 실험 프로토콜에 따라 구분되었으며, 전문가가 Rest, Walk, Run, Bike, Office, XC‑Skiing, Gym, Housework 등 8가지 라벨 중 하나를 부여하였다. 라벨링이 명확한 구간은 340 시간에 해당한다. 알고리즘 구조는 네 단계로 이루어진다. 첫 번째 단계에서는 원시 가속도 신호로부터 신호 파워, 리듬성, 주파수 안정성 등 7개의 특징을 실시간으로 추출한다. 두 번째 단계에서는 이 특징들을 입력으로 하는 깊이 7의 이진 분류 트리를 적용해 각 활동에 대한 사전 확률을 계산한다. 트리 학습은 Gini 지수를 기준으로 하며, 31개의 녹음 파일(총 1 800 k 라벨링 샘플)에서 추출된 특징을 사용한다. 세 번째 단계에서는 각 활동별 1차 자기회귀(AR) 필터를 적용해 시간적 일관성을 강화하고, 사후 확률을 부드럽게 만든다. 마지막 단계에서는 가장 높은 사후 확률이 사전 정의된 임계값을 초과하면 해당 클래스를, 그렇지 않으면 ‘Other’ 클래스를 출력한다. 이 흐름은 샘플 단위로 순차적으로 진행되므로 지연 시간이 최소화된다. 하드웨어 구현은 두 가지 Nordic Semiconductor SoC, nRF52832(Cortex‑M4F, FPU 포함)와 nRF51822(Cortex‑M0, 정수 연산 전용)를 대상으로 수행되었다. nRF52832에서는 CMSIS 라이브러리를 활용해 부동소수점 연산을 사용했으며, 코드 크기는 7.9 KB, RAM 2 KB, 실행 시간당 0.067 ms, 전류 소모 15.3 µA를 기록했다. nRF51822는 고정소수점 연산으로 구현했으며, 코드 크기는 8.6 KB, 실행 시간당 0.458 ms, 전류 소모 50.4 µA였다. 두 플랫폼 모두 메모리 사용량이 매우 작아 기존 펌웨어와 병행해 탑재하기에 충분했다. 성능 평가는 전체 라벨링 데이터(340 시간)를 대상으로 혼동 행렬을 작성해 수행했다. Rest, Walk, Run 세 주요 클래스는 각각 96.3 %, 94.7 %~98.9 %의 정확도와 재현율을 보였으며, 특히 Run 클래스는 98.9 %에 달하는 높은 정확도를 기록했다. Bike 클래스는 Rest, Walk, Other 등으로 분산되어 약 22 %의 정확도에 머물렀는데, 이는 자전거 타기의 다양한 형태(정지, 도로, 산악) 때문으로 분석된다. 또한, 학습에 포함되지 않은 Office, XC‑Skiing, Gym, Housework 등 활동에서도 모델이 Rest·Walk·Run 중심의 확률 분포를 보이며, 실제 생활 환경에서도 어느 정도 일반화 가능함을 확인했다. 연산 부하 테스트에서는 1분 길이의 표준 데이터셋을 1 000회 반복 실행해 평균 실행 시간을 측정했으며, nRF52832는 0.067 ms/샘플, nRF51822는 0.458 ms/샘플을 기록했다. 전류 소모는 각각 15.3 µA와 50.4 µA로, 배터리 수명에 큰 영향을 주지 않는 수준이다. 메모리 사용량은 두 플랫폼 모두 2 KB RAM, 플래시 8 KB 이하로, 기존 펌웨어와 병행해도 충분히 수용 가능했다. 결론에서는 제안된 하이브리드 분류기가 저전력 손목 디바이스에 실시간으로 탑재될 수 있음을 강조하고, 주요 활동에 대해 높은 정확도와 낮은 전력·메모리 요구사항을 동시에 만족한다는 점을 요약한다. 또한, Bike와 같은 다중 모드 활동에 대한 세분화, 그리고 ASIC 수준으로의 최적화 가능성을 제시하며, 향후 연구 방향으로 다양한 센서 융합 및 사용자 맞춤형 모델 업데이트를 제안한다.