한 시점이 아니라 시간의 흐름을 읽는 모델: 웨어러블 신호를 causal TCN으로 다루기
웨어러블 시계열에서 미래 정보 누수를 막기 위해 causal TCN이 과거 구간을 읽는 방식을 설명합니다. SynapBridge Life의 합성·로컬 평가 설계와 실제 환경 검증의 한계를 함께 다룹니다.
웨어러블 데이터의 한 시점만 보면 그 순간의 값만 알 수 있다. 움직임이 늘어나기 시작한 시점, 신호 품질이 나빠진 과정, 여러 센서의 변화가 겹치는 순서는 한 시점의 값만으로 보기 어렵다. 딥러닝 시계열 모델은 여러 시점의 입력으로 이런 시간의 흐름을 다루는 접근이다.
여기서 중요한 것은 더 큰 모델을 사용하는 일이 아니다. 실시간으로 결과를 내야 하는 상황에서는 모델이 볼 수 있는 과거와 볼 수 없는 미래를 먼저 정해야 한다. 현재 시점의 결과를 만들면서 이후의 데이터를 함께 읽으면 그 시점에는 알 수 없던 정보가 학습에 들어간다. 이를 막으려면 실시간 예측에서는 입력 창을 현재에서 끝내고 과거 쪽으로만 넓혀야 한다.
causal TCN은 과거를 어떻게 읽을까
TCN은 Temporal Convolutional Network의 약자다. 시간축을 따라 합성곱을 적용하면서 미래 샘플을 참조하지 않도록 설계한 causal convolution, 즉 인과적 합성곱을 사용할 수 있다. 팽창 합성곱은 가까운 시점만 연속으로 읽는 대신 일정한 간격을 두고 과거를 참조한다. 필터 크기를 크게 늘리지 않고도 모델이 살펴보는 과거 범위를 넓힐 수 있다.
시계열에는 TCN만 있는 것이 아니다. LSTM 같은 순환 모델은 이전 상태를 순서대로 전달하고, attention 계열은 시점 사이의 관계에 가중치를 둔다. 웨어러블 활동 인식 연구에는 합성곱과 LSTM을 결합한 DeepConvLSTM, 멀티스케일 TCN, TCN과 attention을 결합한 구조도 보고돼 있다. 어느 구조가 항상 더 낫다고 정리할 수는 없다. 데이터 규모, 센서 종류, 시간 길이, 평가 방식에 따라 비교 결과가 달라질 수 있다.
왜 첫 후보를 작게 시작하는가
현재 합성 및 로컬 평가 설계에서는 작은 TCN을 첫 딥러닝 후보로 두고 있다. 복잡한 모델을 배제해서가 아니다. 제한된 초기 실험에서 실패 원인을 구분하기 위한 출발점으로 삼은 것이다.
머신러닝 후보는 한 시점의 파생변수를 입력으로 받고, 딥러닝 후보는 같은 시점에서 끝나는 연속 구간을 입력으로 받는다. 데이터셋, 사람 단위 분리, 목표와 평가 지표는 같게 유지해야 한다. 그래야 차이가 모델 표현에서 온 것인지, 서로 다른 데이터 분리에서 생긴 착시인지 구분할 수 있다.
출력이 여러 개여도 모델이 더 정확히 아는 것은 아니다
모델이 여러 항목을 함께 출력하도록 설계할 수 있다. 그러나 출력 항목이 여러 개라는 사실만으로 모델이 실제 상태를 정확히 파악한다는 뜻은 아니다. 각 항목에는 별도의 라벨 품질, 평가 지표, 오경보와 불확실성 검토가 필요하다.
합성 데이터의 단계와 라벨은 생성 규칙에 따라 만든 기준 라벨이다. 모델이 이 패턴을 학습했다는 사실만으로 실제 아동의 행동을 예측하거나 지원 시점에 도움이 된다고 결론내릴 수는 없다.
실패를 먼저 보여주는 도구
다음에 만들고 싶은 화면은 결과 숫자보다 입력 경계를 먼저 보여주는 화면이다. 결과에 사용한 과거 구간을 표시하고, 미래 데이터가 차단됐는지 확인할 수 있게 한다. 센서 하나를 제거했을 때 결과가 얼마나 달라지는지, 시간 정렬이 어긋났을 때 오경보가 어떻게 달라지는지도 함께 기록해야 한다.
딥러닝을 사용하는 이유는 설명하기 어려운 큰 모델을 먼저 선택하기 위해서가 아니다. 파생변수만으로는 놓칠 수 있는 시간의 흐름을 살펴보고, 단순한 머신러닝 기준선과 같은 조건에서 어떤 차이가 나타나는지 확인하기 위해서다. 현재는 그 비교를 위한 합성 및 로컬 평가 구조를 만드는 단계다. 실제 아동 데이터의 성능과 임상적 의미, 조기 지원에 대한 효과는 아직 확인되지 않았다.
이 글은 합성 데이터와 로컬 평가 설계를 설명하며, 진단이나 의료 조언을 제공하지 않는다.
자주 묻는 질문
TCN이면 모두 causal 구조인가?
아니다. TCN에도 미래 시점 정보를 사용하는 설계가 있을 수 있다. 여기서는 실시간 결과를 가정해 미래 샘플을 차단한 인과적 합성곱 구조를 다룬다.
TCN이 LSTM이나 attention보다 항상 좋은가?
그렇지 않다. 데이터 규모, 센서 종류, 시간 길이와 평가 방식에 따라 결과가 달라질 수 있다. 같은 데이터와 같은 사람 단위 분리에서 비교해야 한다.
합성 데이터에서 잘 작동하면 실제 환경에서도 사용할 수 있나?
아니다. 합성 데이터는 실험 구조와 누수 여부를 점검하는 데 사용할 수 있지만, 실제 센서 잡음과 개인차, 임상적 의미를 대신 검증하지는 못한다.