COVID-19 팬데믹으로 인해 홈 트레이닝에 대한 수요가 증가함에 따라, 본 연구는 앙상블 학습 시스템에서 컨볼루션 신경망(CNN)을 기반으로 한 실시간 운동자세 분류의 새로운 접근법을 제안한다. 제안하는 시스템은 MediaPipe를 활용하여 인체의 관절 좌표와 각도를 추출하며, CNN은 이를 이용해 다양한 운동에서 나타나는 복잡한 패턴을 학습한다. 또한 본 접근법은 앙상블 학습 방법을 통해 여러 이미지 프레임의 예측을 결합함으로써 분류 성능을 향상시킨다. 검증에는 Infinity AI의 Fitness Basic Dataset을 사용하였으며, 실험 결과 팔 올리기(arm raises), 스쿼트(squats), 오버헤드 프레스(overhead presses)와 같은 운동을 분류하는 데 높은 정확도를 보였다. 제안 모델은 정확도(92.12%), 정밀도(91.62%), 재현율(91.64%), F1 점수(91.58%)에서 높은 수준의 성능을 달성하며 실시간으로 운동자세를 효과적으로 분류할 수 있음을 입증하였다. 이는 개인 맞춤형 피트니스 추천 및 물리치료 서비스에의 적용 가능성을 시사하며, 해당 분야에서 유익하게 활용될 수 있음을 보여준다.

신경퇴행성 질환인 파킨슨병(Parkinson's disease, PD)은 사람 뇌의 신경세포에 영향을 미친다. 조기 발견과 치료는 PD의 증상을 완화하는 데 도움이 될 수 있다. 최근 PD 연구에서는 환자들이 PD의 초기 단계에서 보컬 변화와 기능 저하를 겪는다는 점에 착안하여, 음성 장애로부터 추출한 특징을 PD 검출의 전조로 활용하였다. 본 연구에서는 음성 특징에 기반하여 PD 환자를 검출하기 위해, 주성분 분석(Principal Component Analysis, PCA)과 희소 자동인코더(Sparse Autoencoder, SAE)를 결합한 지지벡터머신(Support Vector Machine, SVM) 기반 2가지 하이브리드 모델을 제안한다. 첫 번째 모델은 PCA를 사용하여 각 특징의 설명 분산(explained variance)에 근거해 음성 특징의 주성분을 추출하고 차원을 감소시켰다. 처음으로 두 번째 모델은 SAE의 새로운 딥 신경망(Deep Neural Network, DNN)을 사용하였으며, 이는 L1 정규화를 적용한 다수의 은닉층으로 구성되어 음성 특징을 더 낮은 차원의 잠재 공간으로 압축한다. 두 모델 모두에서 감소된 특징을 입력으로 SVM에 제공하였고, SVM은 데이터를 더 높은 차원으로 투영하는 것과 함께 초평면(hyperplanes)을 학습하여 분류를 수행하였다. 제안된 모델을 평가하기 위해, 심하게 불균형한 데이터로 인해 F1-score, 매튜 상관계수(Mathews Correlation Coefficient, MCC), 정밀도-재현율(Precision-Recall) 곡선을 사용하였으며 정확도 또한 함께 사용하였다. 정확도 0.935, F1-score 0.951, MCC 값 0.788로서 최고 성능을 보인 결과는, 제안된 SAE-SVM 모델이 PCA-SVM의 기존 모델뿐 아니라 다층 퍼셉트론(Multilayer Perceptron, MLP), 극한 기울기 부스팅(Extreme Gradient Boosting, XGBoost), k-최근접 이웃(k-Nearest Neighbor, KNN), 랜덤 포레스트(Random Forest, RF) 등 다른 표준 모델을 능가함을 보여주었을 뿐 아니라, 동일 데이터셋을 사용한 두 편의 최근 연구 또한 능가하였다. SMOTE를 이용한 과표본화(oversampling)와 데이터셋의 균형화는 모델의 성능을 향상시켰다.