Self-Supervised Time-Series Representation Learning with Biometric-Aware Personalized HAR
연구 내용
웨어러블 다변량 시계열에서 자기지도 대조학습을 수행하고 생체정보를 학습 과정에 통합하여 개인화된 인간 동작 인식 표현을 만드는 연구
웨어러블 기반 동작 인식은 시계열 데이터의 라벨 수집이 제한적이고, 개인정보 이슈로 인해 학습 데이터 확보가 어렵습니다. 본 연구는 자기지도 학습으로 시계열의 유효 표현을 구성하고, 시간적 관점의 대조학습을 통해 표현 품질을 향상시킵니다. 또한 학습 단계에서 센서 착용자의 생체정보를 고려하도록 설계하여, 일반적인 패턴뿐 아니라 개인별 맞춤 동작 특징을 반영하는 학습 구조를 제안합니다. 이를 통해 downstream 과업에서도 성능 경쟁력을 확보하는 방향으로 연구를 수행합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
4건
연구 흐름
초기에는 라벨이 희소하고 예측이 어려운 다변량 시계열에서 inter-sample과 intra-temporal 관점의 표현을 동시에 학습하는 무감독 프레임을 구축합니다. 이후 시간축에서의 정보 융합과 대조학습을 결합하여, 센서 데이터만으로는 부족했던 개인화 요소를 학습에 포함하도록 확장합니다. 2024년에는 착용자 생체정보를 학습 단계에 통합하는 Temporal Fusion Contrastive Learning으로 표현 학습의 효과를 검증하고, representation을 downstream에 적용하는 방식으로 성능과 일반화 흐름을 정리합니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Human Activity Recognition via Temporal Fusion Contrastive Learning
BIMO: Bootstrap Inter–Intra Modality at Once Unsupervised Learning for Multivariate Time Series
관련 프로젝트
구분
제목
복잡한 실제 주행환경에서 설명 가능한 움직임 예측
복잡한 실제 주행환경에서 설명 가능한 움직임 예측
국가통계데이터에 적용 가능한 차등정보보호 개념을 도출하고 통계분석의 유용성을 보장해야 하는 문제 해결
국가통계데이터에 적용 가능한 차등정보보호 개념을 도출하고 통계분석의 유용성을 보장해야 하는 문제 해결