부류 불균형 문제(class imbalance problem)는 데이터셋에서 부류가 불균등하게 분포할 때 발생하며, 다양한 인공지능 응용에서 중요한 문제이다. 본 연구는 장애인을 위한 재활 운동에서의 인간 활동 인식(human activity recognition)에 나타나는 심각한 다중 부류 불균형 문제에 초점을 맞춘다. 이 문제를 극복하기 위해, 인간 골격 기반 자세 추정(human skeleton-based pose estimation)을 위한 새로운 인간 행동 중심(인간 동작 중심) 증강 방법을 제시한다. 본 연구는 반복되는 운동에서의 동작 패턴(action patterns)을 포착하기 위해 상태 전이(state transition) 지향 조건부 변분 오토인코더(state transition-oriented conditional variational autoencoder; STO-CVAE)를 제안한다. 제안된 접근법은 인간 골격의 시간 정보를 포착하여 소수 장애 부류(minority disability classes)의 식별을 개선하는 방식으로 동작 샘플을 생성한다. 본 연구는 재활 운동으로부터 수집한 실제 세계 데이터셋을 사용하여 실험 연구를 수행하였고, 제안된 방법이 우수하며 효과적임을 확인하였다. 구체적으로, 제안된 증강 방법으로 학습된 모든 조사된 분류기(즉, random forest, support vector machine, extreme gradient boosting, light gradient boosting machine, TabNet)는 F 1-score와 정확도 측면에서 증강 없이 학습된 모델을 능가하였으며, F 1-score가 가장 큰 개선을 보였다. 전반적으로 대부분의 부류에 대한 예측 정확도가 향상되었고, 특히 소수 부류의 예측 정확도는 크게 향상되었다. 따라서 제안된 STO-CVAE는 물리의학 및 재활 분야에서 장애 분류(disability classification)의 정확도를 향상시키고, 적절한 개인 맞춤 훈련 및 재활 운동 프로그램을 제공하는 데 활용될 수 있다.