웨어러블 센서를 이용한 CNN-BiLSTM 모델을 통한 좌식 행동 분류

Sedentary Behavior Classification for Wearable Sensors with a CNN-BiLSTM Model

장시간 앉아 있는 것과 관련된 건강 위험을 연구하는 데 정확한 좌식 행동 감지는 중요하지만, 특히 손목에 부착된 웨어러블 센서를 사용하는 경우 자세 기반 분류는 여전히 어려운 과제입니다. 본 연구에서는 엉덩이에 부착된 가속도계 데이터로 학습된 심층 학습 모델이 손목에 부착된 가속도계 데이터를 사용하여 앉아 있는 상태와 그렇지 않은 상태를 분류하는 데 얼마나 효과적인지 조사합니다. 본 연구에서는 원래 엉덩이 가속도계를 위해 개발된 CNN-BiLSTM 모델인 CHAP을 사용하고, 레이블이 없는 손목 데이터에서의 성능과 다양한 양의 레이블이 지정된 손목 데이터를 사용하여 미세 조정했을 때의 성능을 평가합니다. iWatch 데이터셋에서 웨어러블 카메라로부터 얻은 실제 자세 정보를 이용하여 실험을 진행했습니다. 엉덩이에 맞춰 학습된 모델은 재학습 없이 엉덩이 데이터에 대해 높은 성능을 보이지만, 센서 위치 변경으로 인해 손목 데이터에서는 정확도가 떨어지는 경향이 있습니다. CHAP 모델을 미세 조정하면 처음부터 학습된 트랜스포머 모델보다 일관되게 더 나은 성능을 보여줍니다. 이러한 결과는 엉덩이에 기반한 사전 학습이 손목 환경에 적용하기 위한 유용한 출발점이 될 수 있음을 시사하며, 동시에 높은 신호 변동성을 처리하기 위해 손목에 특화된 적응이 필요함을 강조합니다.

Accurate detection of sedentary behavior is important for studying health risks related to prolonged sitting, but posture-based classification remains challenging with wearable sensors, especially at the wrist. We study whether a deep learning model trained on hip-worn accelerometer data can transfer to wrist-worn accelerometer data for sitting versus non-sitting classification. We use CHAP, a CNN-BiLSTM model originally developed for hip accelerometers, and evaluate its zero-shot performance on wrist data as well as its adaptation through finetuning with varying amounts of labeled wrist data. Experiments are conducted on the iWatch dataset with ground-truth posture labels derived from wearable cameras. The hip-trained model performs strongly on hip data without retraining, but accuracy drops on wrist data due to sensor placement shift. Finetuning CHAP provides consistent advantages over transformer models trained from scratch. These findings suggest that hip-based pretraining provides a useful starting point for wrist deployment, while highlighting the need for wrist-specific adaptation to handle higher signal variability.