생체의학 영상에는 질병의 특성을 제공할 수 있는 막대한 수의 센서 측정치가 포함된다. 이러한 매개변수에 대한 컴퓨터 보조 분석은 질병의 조기 발견을 돕고, 그 결과 의료 전문가들이 적절한 약물을 신속하게 선택하는 데 기여한다. 인간 활동 인식(Human Activity Recognition, 이하 'HAR')은 보행, 달리기, 음주, 요리 등과 같은 움직임을 포함하는 일반적인 인간 측정치를 예측하는 것으로, 피트니스 트래커, 노인 돌봄, 그리고 향후 사용을 위한 환자 정보의 아카이빙과 같은 의료 서비스 분야에서 매우 유리하다. HAR 시스템의 입력으로 제공될 수 있는 데이터의 두 가지 유형은 첫째, 인간 활동의 비디오 시퀀스 또는 이미지이며, 둘째, 스마트 기기에 존재하는 가속도계, 자이로스코프 등과 같은 센서를 통해 서로 다른 활동 동안 기록된 신체 움직임의 시계열 데이터이다. 본 논문에서는 입력으로 시계열 유형의 데이터를 사용하기로 결정하였다. 여기서 우리는 'Ensem-HAR'로 명명된, 네 개의 딥러닝 기반 분류 모델 앙상블—즉 'CNN-net', 'CNNLSTM-net', 'ConvLSTM-net', 'StackedLSTM-net'—을 제안한다. 앙상블에 사용된 각 분류 모델은 전형적인 1D 합성곱 신경망(CNN)과 장단기 기억(Long Short-Term Memory, LSTM) 네트워크에 기반하나, 아키텍처 변형 측면에서 서로 다르다. 제안된 Ensem-HAR를 통한 예측은 네 가지 분류 모델 각각의 예측을 적층(stacking)한 다음, 적층된 예측에 블렌더(Blender) 또는 메타 학습기(Meta-learner)를 학습시켜 최종 예측을 테스트 데이터에 대해 산출하는 방식으로 수행된다. 제안된 모델은 WISDM, PAMAP2, UCI-HAR의 세 가지 벤치마크 데이터셋에서 평가되었으며, 생체의학 측정에 대한 제안된 Ensem-HAR 모델은 해당 데이터셋에서 각각 98.70%, 97.45%, 95.05%의 정확도를 달성하였다. 실험 결과는 제안된 모델이 비교 대상으로 포함된 다른 다수의 생성 모델보다 더 우수하게 수행함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.