mmWave 자세 판정 알고리즘 비교

2026-11-11 · 승민

개요

mmWave 레이더 값만으로 침상 자세 5가지를 판정했습니다. 전처리는 지수 평활(EMA), 분류는 XGBoost를 골랐고, 정확도는 75.1%(3명, 녹화 9개)입니다. 학습에 없던 사람에게는 65.4~73.5%입니다.

항목	내용
센서	TI IWR6843 (3D People Tracking 펌웨어), 천장 2.7m 설치, 약 18 프레임/초
판정할 자세 (5종)	섬, 침대 위 앉음, 걸터앉음, 누움, 옆누움
데이터	녹화 9개: lee 7개, vic 1개, kim 1개(11-12). 자세마다 60초씩 수집
평가 프레임	mmWave 프레임 37,773개 (섬 8,173 · 침대 위 앉음 6,559 · 걸터앉음 6,988 · 누움 7,960 · 옆누움 8,093). lee 27,744 · vic 4,935 · kim 5,094
평가 방법	녹화 하나씩 빼고 시험 (Leave-one-recording-out, 9회). 학습에 쓰지 않은 녹화로만 정확도를 냄. 추가로 사람 하나씩 빼고 시험(Leave-one-person-out)
지표	정확도(Accuracy), macro F1 (5개 자세의 F1 평균)

입력 데이터 (RAW)

프레임마다 환자 한 사람의 추적 값 8개가 입력입니다. 레이더 펌웨어가 반사점을 묶어 사람 트랙을 만들고, Pi가 이를 바닥 기준 좌표로 바꿉니다.

값	단위	뜻	어디서 나오나
z	m	몸 중심 높이 (바닥 기준)	트랙 위치 (TLV 1010)
head_z	m	머리 쪽 높이: 소속 반사점 높이의 90% 백분위	반사점 (TLV 1020 + 1011)
speed	m/s	수평 이동 속도	트랙 속도
vz	m/s	세로 속도	트랙 속도
npts	개	그 사람에게 연결된 반사점 수	반사점
bed_dist	m	침대 영역까지 거리 (안이면 0)	트랙 위치 + 침대 꼭짓점
x	m	방 안 좌우 위치	트랙 위치
y	m	방 안 앞뒤 위치	트랙 위치

head_z는 반사점이 없는 프레임에서 빈값이 됩니다. 누운 자세에서 자주 생깁니다.

전처리 알고리즘 비교

지수 평활(EMA)을 골랐습니다. 실시간으로 쓸 수 있는 평활화 방법 4개 중 정확도와 macro F1이 모두 1위이고, 칼만 필터보다 0.8%p, Savitzky-Golay·이동 평균보다 2.8%p 높습니다. 공정하게 비교하려고 분류 알고리즘은 XGBoost로 고정했습니다.

전처리 알고리즘	방법	정확도	macro F1	EMA와 정확도 차이
지수 평활 (EMA, α=0.1)	새 값 10% + 직전 평활값 90%	75.1%	74.3%	—
칼만 필터 (1차원)	예측값과 측정값을 불확실성 비율로 섞음	74.2%	73.3%	−0.8%p
Savitzky-Golay	최근 1초에 2차 다항식을 맞추고 가장 최근 값을 씁	72.3%	71.3%	−2.8%p
이동 평균 (1초)	최근 18프레임의 평균	72.3%	71.7%	−2.8%p

분류 알고리즘 비교

XGBoost를 골랐습니다. 비교한 상위 4개 중 정확도와 macro F1이 모두 1위이고,
LightGBM보다 0.4%p, HistGradientBoosting보다 0.5%p, MLP 신경망보다 1.9%p 높습니다.
전처리는 앞에서 고른 EMA로 고정했습니다.

분류 알고리즘	설정	정확도	macro F1	XGBoost와 정확도 차이
XGBoost	트리 300개, 학습률 0.05, 깊이 6, 히스토그램 분할, 자세별 균형 가중	75.1%	74.3%	—
LightGBM	트리 300개, 학습률 0.05, 잎 31개, 균형 가중	74.7%	73.9%	−0.4%p
HistGradientBoosting	트리 300개, 학습률 0.05, 균형 가중	74.6%	73.7%	−0.5%p
MLP 신경망	은닉층 64-32, 조기 종료	73.2%	72.7%	−1.9%p

알고리즘 조합 결과

EMA + XGBoost 조합이 16개 중 정확도 1위(75.1%)입니다.
전처리 4개와 분류기 4개를 모두 조합해 같은 방법(녹화 하나씩 빼고 시험)으로 비교했습니다.
칸은 정확도입니다.

전처리 \ 분류기	XGBoost	HistGradientBoosting	CatBoost	MLP 신경망
EMA	75.1%	74.6%	72.9%	73.2%
Savitzky-Golay	72.3%	75.0%	73.8%	72.6%
칼만 필터	74.2%	73.3%	74.1%	71.9%
이동 평균	72.3%	73.6%	72.1%	72.4%

상위 5개 조합이 녹화마다 얼마나 꾸준했는지입니다.
녹화별 순위는 녹화 하나에서 16개 조합의 정확도 순위를 낸 뒤 9개 녹화로 평균한 값입니다.

조합	정확도	macro F1	녹화별 평균 순위 (낮을수록 좋음)	상위 4위 안에 든 녹화
EMA + XGBoost	75.1%	74.3%	7.2	5 / 9
Savitzky-Golay + HistGradientBoosting	75.0%	74.6%	6.8	4 / 9
EMA + HistGradientBoosting	74.6%	73.7%	7.6	2 / 9
칼만 필터 + XGBoost	74.2%	73.3%	6.9	1 / 9
칼만 필터 + CatBoost	74.1%	73.0%	7.3	2 / 9

결과표

녹화 9개(lee·vic·kim) 전체를 합친 자세별 대표값입니다. 인풋·전처리는 중앙값, 분류는 학습에 없던 녹화에서 낸 평균 확률, 아웃풋은 실제 판정 결과입니다. 자세마다 표 하나이고, 왼쪽에서 오른쪽으로 인풋 → 전처리 → 분류 → 아웃풋 순서로 읽습니다. 분류의 %는 XGBoost가 그 자세에 준 평균 확률입니다.

섬 (Standing)

구분	인풋 (RAW)	전처리 (EMA)	분류	아웃풋
높이 z (m)	1.53	1.52	섬 (95%)	섬
머리 높이 head_z (m)	1.58	1.55
반사점 수 (개)	8	9.7
프레임 수	8,173	-	-	8,173
맞힌 비율	-	-	-	96%
가장 많이 틀린 판정	-	-	-	걸터앉음 1%

침대 위 앉음 (Sitting on bed)

구분	인풋 (RAW)	전처리 (EMA)	분류	아웃풋
높이 z (m)	1.14	1.13	침대 위 앉음 (69%)	침대 위 앉음
머리 높이 head_z (m)	1.39	1.38
반사점 수 (개)	12	12.2
프레임 수	6,559	-	-	6,559
맞힌 비율	-	-	-	68%
가장 많이 틀린 판정	-	-	-	걸터앉음 14%

걸터앉음 (Sitting on edge)

구분	인풋 (RAW)	전처리 (EMA)	분류	아웃풋
높이 z (m)	0.82	0.82	걸터앉음 (85%)	걸터앉음
머리 높이 head_z (m)	1.16	1.09
반사점 수 (개)	7	9.8
프레임 수	6,988	-	-	6,988
맞힌 비율	-	-	-	86%
가장 많이 틀린 판정	-	-	-	침대 위 앉음 10%

누움 (Lying on back)

구분	인풋 (RAW)	전처리 (EMA)	분류	아웃풋
높이 z (m)	0.70	0.70	누움 (76%)	누움
머리 높이 head_z (m)	0.97	0.99
반사점 수 (개)	9	10.3
프레임 수	7,960	-	-	7,960
맞힌 비율	-	-	-	79%
가장 많이 틀린 판정	-	-	-	옆누움 17%

옆누움 (Lying on side)

구분	인풋 (RAW)	전처리 (EMA)	분류	아웃풋
높이 z (m)	0.83	0.83	옆누움 (46%)	옆누움
머리 높이 head_z (m)	1.08	1.13
반사점 수 (개)	9	9.5
프레임 수	8,093	-	-	8,093
맞힌 비율	-	-	-	46%
가장 많이 틀린 판정	-	-	-	누움 29%

입력 값 8개 중 자세 구분에 중요한 3개만 보였고, 속도·세로 속도·침대까지 거리·x·y도 입력에 들어갑니다. 전체 정확도는 75.1%입니다. 옆누움은 높이가 걸터앉음·누움과 비슷해(0.83 m) 가장 많이 헷갈렸습니다.

사람별 정확도입니다. ‘사람 하나씩 빼고 시험’은 그 사람의 녹화를 하나도 학습하지 않은 경우입니다.

측정자	프레임	녹화 하나씩 빼고 시험	사람 하나씩 빼고 시험	가장 낮은 자세 (사람 빼고 시험)
lee	27,744	76.9%	65.4% (vic·kim 녹화 2개로만 학습)	옆누움 48%
vic	4,935	66.4%	66.4%	침대 위 앉음 17%
kim	5,094	73.5%	73.5%	옆누움 23%

한계

측정자 3명, 녹화 9개이고 lee가 73%를 차지합니다. 녹화별 정확도가 57~91%로 크게 달라서, 상위 조합끼리의 차이(1%p 안팎)는 우연일 수 있습니다. 실제로 각각 1위였던 Savitzky-Golay(HistGB 고정)와 XGBoost(EMA 고정)를 함께 쓰면 72.3%로 떨어졌습니다. 데이터가 늘면 선택이 바뀔 수 있습니다.
사람 차이가 큽니다. lee 녹화를 늘려도 vic 정확도는 약 68%에서 멈췄습니다(11-12 실험). 다른 사람 녹화를 늘리는 것이 정확도에 더 효과적입니다.
옆누움은 46%만 맞혔습니다. 레이더 높이 값만으로는 누움과 구별이 어렵고, 사람마다 옆으로 눕는 방식도 달랐습니다(kim은 높이 1.03 m).
x·y 위치를 입력에 넣었으므로, 침대 위치가 다른 방에서는 다시 학습해야 합니다.
녹화 TEST_20261112_160657(lee)은 한 구간에서 자동 추적 선택이 반사(유령 트랙)를 골라 수동으로 고쳐습니다.
같은 녹화에서 카메라 관절을 함께 쓰면 93%입니다(11-08 녹화 5개 기준, 참고용).