이 논문은 웨어러블 센서 기반 Human Activity Recognition(HAR)을 저전력 edge device에서 효율적으로 수행하기 위한 Adaptive CNN 구조를 제안한 연구이다.
기존 HAR 연구는 정확도를 높이기 위해 복잡한 CNN/RNN 모델을 사용하거나 센서 데이터를 스마트폰/클라우드로 전송해 처리하는 경우가 많았다.
→ 웨어러블 기기는 배터리와 메모리가 제한적이기 때문에, 높은 정확도뿐 아니라 낮은 에너지 소비와 실시간 처리가 중요하다.
이 논문은 모든 입력 segment를 동일하게 깊은 CNN으로 처리하지 않고, segment 난이도에 따라 얕은 CNN 또는 깊은 CNN을 선택적으로 사용하는 AHAR 구조를 제안한다.
웨어러블 센서에서 계속 들어오는 데이터를 보고
→ 걷기 / 앉기 / 서기 / 눕기 / 계단 오르기 / 점프 같은 활동을 분류
여기서 문제는 이 작업이 한 번만 하는 작업이 아닌 계속 실행되는 작업
웨어러블 기기가 만족해야 할 조건
논문에서는 “기존 많은 HAR 연구가 센서 데이터를 스마트폰이나 클라우드로 보내서 처리했기 때문에 에너지 소비, 지연시간, 개인정보 문제가 발생”한다고 설명
<aside> 💡
연산을 웨어러블 기기 내부에서 수행하는 edge computing 방식이 필요
</aside>