This dissertation presents a comprehensive study on resource-efficient human activity recognition (HAR) with a novel active learning strategy for supporting IoT-based healthcare monitoring. The study first introduces a novel deep learning-based active learning method designed to address the challenges associated with data labeling in supervised model training for HAR. With an extension of a single autoencoder to a multiclass scheme, the proposed method exploits the unique pattern characteristics inherent to each activity class for preferentially identifying the most informative samples for labeling. In addition, the proposed method introduces a margin scoring criteria based on cosine similarity by comparing pattern characteristics of each activity class to strategically select samples for constituting an informative training dataset, thereby enhancing the effectiveness of the process of supervised learning and the overall performance of the human activity recognition model. The method demonstrates superior classification performance of the HAR model, outperforming existing selecting methods. Additionally, the proposed methodology shows exceptional performance in terms of efficiency, leading to a substantial reduction in labeling costs. This is achieved by strategically selecting fewer, but more informative samples, thereby maintaining the same level of performance with reduced labeled samples. This study contributes to the field of IoT-based healthcare monitoring, fostering advancements in human activity recognition. By efficiently curating informative training datasets, the proposed method increases the effectiveness of the learning process of HAR. Furthermore, this study presents a resource-efficient human activity recognition in IoT environments, addressing the challenge of resource requirements in the deployment of IoT-embedded devices. The proposed method embraces a structured framework that integrates several essential components, including feature extraction in different levels of hierarchy within time series data, as well as an advanced technique to leverage temporal relationships between each hierarchically extracted feature. Specifically, the proposed method efficiently exploits temporal causality in feature spaces, thereby the number of recurrent operations is significantly reduced. The proposed method demonstrates superior classification performance over existing methods, particularly with substantial reductions in computational complexity and model complexity across diverse datasets. In addition, the proposed method shows a significant reduction in inference time and energy consumption in scenarios of model deployment at IoT-embedded devices, which results in advantages such as exceptional resource efficiency of the proposed method in a resource-constrained environment. This research significantly contributes to the development of an efficient HAR model, ensuring the integrity and reliability of IoT-based monitoring applications.
본 연구에서는 IoT 기반의 헬스케어 모니터링을 지원하기 위한 능동 학습 전략을 통한 자원 효율적 인간 행동인식(HAR)에 대한 포괄적인 연구를 제안한다. 행동인식을 위한 분류 모델의 지도 학습에서 데이터 레이블링과 관련된 문제를 해결하기 위해 설계된 새로운 심층학습 기반 능동 학습 방법을 제안한다. 해당 방법은 단일 오토인코더를 다중 클래스 체계로 확장하여 데이터 레이블링을 위해 가장 유용한 샘플들을 우선적으로 식별하기 위해 각 행동 클래스에 내재된 고유한 패턴 특성을 활용한다. 이는 행동 클래스의 패턴 특성을 각각 비교하여 효과적인 학습 데이터 세트를 구성하기 위해 샘플들을 전략적으로 선택하며 이를 위해 코사인 유사도 기반으로 한 마진 점수 기준을 도입한다. 따라서 효과적인 지도 학습 과정을 제공함으로써 인간 행동 인식 모델의 전반적인 분류 성능을 향상시킨다. 본 연구는 기존 능동학습의 선택 전략을 능가하여 행동인식 모델의 우수한 분류 성능을 달성하고, 레이블링 비용을 크게 절감하여 효율성 측면에서도 높은 성능을 확인하였다. 이는 더 적지만 더 많은 정보를 제공하는 샘플들을 전략적으로 선택하여 절감된 레이블링된 샘플들을 통해 동일한 높은 수준의 분류성능을 제공한다. 본 연구는 효율적인 학습 데이터 세트를 효율적으로 큐레이팅함으로써 행동인식 모델의 학습 프로세스의 효과를 높이며, 이를통해 IoT 기반 의료 모니터링을 위한 효과적인 인간 행동인식을 지원한다. 또한, 본 연구는 IoT 환경에서의 자원 효율적인 인간 행동 인식방법을 제안하여 자원이 제한된 IoT 임베디드 장치에서의 모델 배치 시 자원 요구 사항의 문제를 해결한다. 제안된 방법은 시계열 데이터 내에서 서로 다른 수준의 계층적 특징점 추출을 포함하여 여러 구성 요소를 통합하는 구조화된 프레임워크뿐만 아니라 각 추출된 계층적 특징기능 간의 시간적 관계를 활용하는 기법을 도입한다. 구체적으로, 제안된 방법은 특징 공간에서 시간적 인과 관계를 효율적으로 활용하여 반복 작업 수를 크게 줄인다. 제안된 방법은 특히 계산 복잡성과 모델 복잡성이 크게 감소하며 기존 방법보다 우수한 분류 성능을 확인하였다. 또한 IoT 임베디드 장치에서 모델 배포 시나리오에서 추론 시간 및 동작 시 발생하는 에너지 소모량을 크게 감소하여 자원이 제약된 환경에서 제안된 방법의 우수한 효율성과 같은 이점을 제공한다. 해당 방법은 타 알고리즘과의 성능 비교를 통해, 제안된 알고리즘의 유효성을 검증하였으며, IoT 기반 모니터링 애플리케이션의 무결성과 신뢰성을 보장하면서 효율적인 인간행동인식 모델 개발시 우수한 성능을 제공한다.
