제 1항에 있어서,상기 사용자 활동 예측부는,상기 사용자의 활동을 예측하기 위해 치환된 시간 와이즈 합성곱 훈련 결과를 이용하며, 적어도 하나의 특징 맵 그룹을 수식 4와 같이 샘플링하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템.수식 4

사용자의 활동을 측정할 수 있는 적어도 하나의 센서에 의해 수집되는 시계열 신호를 획득하는 신호 획득부;상기 시계열 신호로부터 상기 사용자의 활동을 예측하기 위한 특징 맵을 생성하기 위해 다중 시간 샘플링을 수행하여 희소 샘플링 합성곱 연산을 획득하는 특징 맵 생성부; 및상기 특징 맵을 이용하여 상기 사용자의 활동을 예측하는 사용자 활동 예측부;를 포함하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템.

제 1항에 있어서,상기 특징 맵 생성부는,특징 맵 와이즈 합성곱 신경망을 이용하여 상기 사용자의 신체의 지역적 특성을 획득하는 지역적 특성 획득 모듈; 시간 와이즈 합성곱 신경망을 이용하여 상기 사용자의 활동에 대한 시간적 특성을 획득하는 시간적 특성 획득 모듈; 및상기 시계열 신호에 대한 고수준 특성을 추출하는 통합 특성 획득 모듈;을 포함하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템.

제 2항에 있어서,상기 지역적 특성 획득 모듈은,상기 지역적 특성인 특징 맵 와이즈 합성곱과 시간 t에서 m번째 특징 맵을 하기 수식 1로 표현하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템.수식 1(여기서, : 재중심화된 시간 인덱스, 컴퓨팅 비용 : T×Dk×M×N)

제 2항에 있어서,상기 시간적 특성 획득 모듈은,상기 시간적 특성인 시간 와이즈 합성곱과 n번째 특징맵을 하기 수식 2로 표현하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템.수식 2

제 2항에 있어서,상기 고수준 특성은, 희소 샘플링 함성곱 신경망을 통해 획득되며, 하기 수식 3으로 표현되는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템.수식 3

신호 획득부를 이용하여 사용자의 활동을 측정할 수 있는 적어도 하나의 센서에 의해 수집되는 시계열 신호를 획득하는 단계;특징 맵 생성부를 이용하여 상기 시계열 신호로부터 상기 사용자의 활동을 예측하기 위한 특징 맵을 생성하기 위해 다중 시간 샘플링을 수행하여 희소 샘플링 합성곱 연산을 획득하는 단계; 및사용자 활동 예측부를 통해 상기 특징 맵을 이용하여 상기 사용자의 활동을 예측하는 단계;를 포함하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 방법.

제 7항에 있어서,상기 사용자의 활동을 예측하기 위한 특징 맵을 생성하는 단계는,특징 맵 와이즈 합성곱 신경망을 이용하여 상기 사용자의 신체의 지역적 특성을 획득하는 단계; 시간 와이즈 합성곱 신경망을 이용하여 상기 사용자의 활동에 대한 시간적 특성을 획득하는 단계; 및상기 시계열 신호에 대한 고수준 특성을 추출하는 단계;를 포함하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 방법.

제 8항에 있어서,상기 지역적 특성을 획득하는 단계는,상기 지역적 특성인 특징 맵 와이즈 합성곱과 시간 t에서 m번째 특징 맵을 하기 수식 5로 표현하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 방법.수식 5(여기서, : 재중심화된 시간 인덱스, 컴퓨팅 비용 : T×Dk×M×N)

제 8항에 있어서,상기 시간적 특성을 획득하는 단계는,상기 시간적 특성인 시간 와이즈 합성곱과 n번째 특징맵을 하기 수식 6으로 표현하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 방법.수식 6

제 8항에 있어서,상기 고수준 특성은, 희소 샘플링 함성곱 신경망을 통해 획득되며, 하기 수식 7로 표현되는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 방법.수식 7

제 7항에 있어서,상기 사용자의 활동을 예측하는 단계는,상기 사용자의 활동을 예측하기 위해 치환된 시간 와이즈 합성곱 훈련 결과를 이용하며, 적어도 하나의 특징 맵 그룹을 수식 8과 같이 샘플링하는 실시간 사용자 활동 인식을 위한 다중시간 샘플링 방법.수식 8