PI-TTA: 물리 기반 소스 프리 테스트 타임 어댑테이션을 활용한 모바일 장치에서의 안정적인 인간 활동 인식

PI-TTA: Physics-Informed Source-Free Test-Time Adaptation for Robust Human Activity Recognition on Mobile Devices

소스 프리 테스트 타임 어댑테이션(TTA)은 중앙 집중화된 개인 정보 없이, 모바일 및 웨어러블 센싱 환경에서 장치 내 개인화 기능을 제공하므로 매력적입니다. 그러나 센서 기반 인간 활동 인식(HAR)은 표준 비전 벤치마크에서 덜 두드러지는 과제를 제시합니다. 센서 기반 활동 데이터는 시간적으로 상관관계가 있으며, 종종 센서 회전, 위치 변경 및 샘플링 속도 드리프트로 인해 세션 내 변화를 보입니다. 이러한 스트리밍 비-i.i.d. 환경에서, 널리 사용되는 비전 기반 TTA 목표는 불안정해져 과도한 확신 오류, 표현 붕괴 및 파국적인 망각을 초래할 수 있습니다. 본 논문에서는 중력 일관성, 단기 시간 연속성 및 스펙트럼 안정성의 세 가지 물리 기반 제약을 통해 온라인 업데이트를 안정화하는 경량의 소스 프리 어댑테이션 프레임워크인 PI-TTA를 제안합니다. PI-TTA는 강력한 소스 프리 모델과 동일한 작은 파라미터 집합을 업데이트하며, 오버헤드가 적어 모바일 장치에 적합합니다. USCHAD, PAMAP2 및 mHealth 데이터셋에 대한 장기 시퀀스 테스트 및 요인화된 변화 프로토콜을 통해 수행된 실험 결과, PI-TTA는 확신 기반 모델에서 관찰되는 심각한 성능 저하를 완화하고 지속적인 스트리밍 조건에서 안정적인 어댑테이션을 유지하는 것으로 나타났습니다. PI-TTA는 장기 시퀀스 정확도를 최대 9.13% 향상시키고, USCHAD, PAMAP2 및 mHealth 데이터셋에서 물리 법칙 위반율을 각각 27.5%, 24.1% 및 45.4% 감소시켰습니다. 이러한 결과는 물리 기반 어댑테이션이 실제 모바일 센싱 시스템의 정확도, 안정성 및 배포 신뢰성을 향상시킬 수 있음을 보여줍니다.

Source-free test-time adaptation (TTA) is appealing for mobile and wearable sensing because it enables on-device personalization from unlabeled test streams without centralizing private data. However, sensor-based human activity recognition (HAR) poses challenges that are less pronounced in standard vision benchmarks: behavioral inertial streams are temporally correlated and often exhibit within-session shifts caused by sensor rotation, placement change, and sampling-rate drift. Under this streaming non-i.i.d. setting, widely used vision-style TTA objectives can become unstable, leading to overconfident errors, representation collapse, and catastrophic forgetting. We propose PI-TTA, a lightweight source-free adaptation framework that stabilizes online updates through three physics-consistent constraints: gravity consistency, short-horizon temporal continuity, and spectral stability. PI-TTA updates the same small parameter subset as strong source-free baselines and incurs only modest overhead, making it suitable for on-device deployment. Experiments on USCHAD, PAMAP2, and mHealth under long-sequence stress tests and factorized shift protocols show that PI-TTA mitigates the severe degradation observed in confidence-driven baselines and preserves stable adaptation under sustained streaming conditions. It improves long-sequence accuracy by up to 9.13% and reduces physical-violation rates by 27.5%, 24.1%, and 45.4% on USCHAD, PAMAP2, and mHealth, respectively. These results demonstrate that physics-informed adaptation can improve accuracy, stability, and deployment reliability for real-world mobile sensing systems.