최근 연구에서 여러 신체 부위에 부착된 관성 측정 장치(IMU) 데이터를 훈련에 활용하여, 단 하나의 IMU만으로도 사람의 활동을 더 정확하게 인식할 수 있는 새로운 방법이 제시되었습니다. 이 '동적 영향 가중 증류(Dynamic Influence-Weighted Distillation, DIW)' 기법은 훈련 과정에서 다중 센서의 풍부한 정보를 활용하되, 실제 사용 환경에서는 단일 센서만으로도 높은 성능을 유지하게 함으로써 배포 및 사용의 부담을 크게 줄였습니다.
이 연구는 4개의 IMU가 동기화된 상태로 훈련 데이터에 사용될 때, 단일 오른팔 IMU를 사용하는 모델의 성능을 얼마나 향상시킬 수 있는지에 초점을 맞췄습니다. 기존의 지식 증류(Knowledge Distillation) 방식은 다중 IMU '교사(teacher)' 모델의 학습 목표(logit 및 feature)를 단일 IMU '학생(student)' 모델에 일정한 가중치로 전달했습니다. 하지만 DIW는 각 훈련 샘플이 학생 모델에 미치는 영향을 동적으로 평가하여, 로그잇(logit) 및 특징(feature) 손실에 개별적인 샘플별 가중치(gate)를 부여합니다. 이를 통해 학생 모델이 각 교사 신호로부터 더 효과적으로 학습할 수 있도록 최적화했습니다. WEAR 데이터셋에서 19가지 활동과 22명의 참가자 데이터를 사용한 평가 결과, DIW는 기존 지도 학습(Supervised) 방식 대비 7.66%p, 고정 가중치 지식 증류(Fixed-weight KD) 대비 6.68%p 향상된 0.638451의 매크로-F1 점수를 달성했습니다. 이는 19개 활동 중 18개, 22명 참가자 중 21명에게서 지도 학습보다 우수한 성능을 보였습니다.
이 연구 결과는 웨어러블 기기, 스포츠 분석, 건강 모니터링 등 다양한 분야에서 활동 인식 기술의 실제 적용 가능성을 크게 높일 것으로 기대됩니다. 다중 센서 시스템은 더 정확한 데이터를 제공하지만, 비용과 복잡성 때문에 실제 제품에 적용하기 어려운 경우가 많습니다. DIW는 훈련 단계에서만 다중 센서의 이점을 활용하고, 실제 배포 시에는 단일 센서만으로도 충분한 성능을 제공함으로써 이러한 한계를 극복합니다. 이는 사용자에게 더 편리하고 경제적인 솔루션을 제공하면서도, 높은 정확도를 유지할 수 있는 길을 열어줄 것입니다. 특히, 제한된 컴퓨팅 자원을 가진 소형 기기에서도 고급 활동 인식 기능을 구현할 수 있는 기반을 마련했다는 점에서 의미가 큽니다.