본 논문에서는 범주형 발바닥 압력으로부터 추출한 시간적으로 적응적인 가중치 누적 기반 특징을 이용하여 보행 중 활동 인식 및 보행자 식별을 위한 새로운 방법을 제안한다. 제안 방법은 압력 관련 세 가지 특징에 기반하며, 이는 서 있는 발의 압력을 각 보행 단계마다 세 가지 서로 다른 시간 가중 형태로 누적하여 계산한다. 또한 압력 변화를 반영하는 특징을 고려한다. 이 네 가지 특징은 시간에 따라 단계 압력 데이터를 서로 다르게 가중하여, 단계별로 서 있는 자세를 규명한다. 우리는 이러한 특징을 보행 중 서 있는 발을 분석하는 데 사용한 다음, 다층 다중 클래스 지지 벡터 머신 분류기들을 통해 보행 중 활동을 인식하고 보행자를 식별한다. 실험 결과, 연속된 8보를 분석할 때 두 과제 모두에서 제안 방법이 97%의 정확도를 달성함을 보였다. 더 빠른 처리를 위해서는, 각각의 과제를 두 보 연속을 고려하여 보행 중 활동 인식 및 보행자 식별에서 각각 89.9%와 91.3%의 정확도를 보이는 반면, 한 보만 고려할 때는 정확도가 각각 83.3%와 82.3%로 감소한다. 비교 결과는 정확도와 시간 민감도 측면에서 제안 방법의 높은 성능을 입증하였다.

본 연구에서는 스마트 신발의 가속도계 데이터를 이용한 장단기 기억(LSTM) 기반 사용자 식별 방법을 제안한다. 일반적으로 사람의 보행 데이터를 이용한 사용자 식별에서는, 보행 데이터를 개별 걸음 단위로 분할하기 위한 전처리 단계가 필요하다. 다음으로 분할된 걸음 데이터를 사용하여 사용자 식별을 수행할 수 있다. 그러나 이러한 접근에서 단일 걸음을 완성하기에 충분하지 않은 부분 데이터가 존재하는 경우, 해당 데이터를 분류에 적용하기 어렵다. 이러한 점을 고려하여, 본 연구에서는 스마트 신발 데이터에 대한 스택 LSTM 기반 사용자 식별 방법을 제시한다. 복잡한 분석 방법을 사용하는 대신, 스마트 신발의 가속도계 데이터로 사용자 식별을 수행하기 위한 LSTM 네트워크를 설계하였다. 부분 데이터를 학습하기 위해, LSTM 네트워크는 보행 데이터의 크기와 위치를 무작위로 하여 학습하였다. 그 후에는 걸음 분할과 같은 추가 분석 없이도 식별을 수행할 수 있다. 실험에서는 10 m 보행 데이터를 사용하였다. 실험 결과, 각각 2.6, 3.9, 5.2 s의 보행 데이터를 사용한 경우 평균 인식률이 약 93.41%, 97.19%, 98.26%로 나타났다. 이러한 실험 결과를 통해, 제안한 방법이 사용자를 효과적으로 분류할 수 있음을 보인다.