전처리와 활동별 signature

스펙트로그램을 분류기에 넣기 전에 무엇을 고정하고, 활동마다 어떤 signature(그 활동에만 나타나는 스펙트로그램 무늬)가 생기는가?

STFT 결과를 그대로 학습 입력으로 쓰면 배경 잡음, 표적마다의 절대 에너지 차이, Doppler 축의 부호 차이가 입력 분포를 흔든다. 그러면 분류기가 움직임 자체보다 이런 부수적인 변동을 배울 수 있다. 이 사례의 전처리는 다음 네 단계이다.

STFT 크기: 복소 slow-time 신호에 STFT와 주파수 축 fftshift를 적용한 뒤 크기를 구한다.
dB 자르기와 정규화: 샘플의 최대 크기를 기준으로 dB로 바꾸고 [−60, 0] dB로 잘라 [0, 1]로 정규화한다.
양·음 Doppler 유지: return_onesided=False로 양과 음의 주파수를 모두 둔다. aspect angle의 부호 대칭(다섯째 절)이 Doppler 축을 접는 전처리를 뜻하지는 않는다.
크기 표준화: 선형 보간(order = 1)으로 128 × 128로 바꾸고 1채널 입력으로 저장한다.

모델마다 전처리가 다르면 성능 차이가 어느 단계에서 생겼는지 따라가기 어려우므로, 이 네 단계는 모델을 비교하기 전에 고정한다.

분류할 활동은 walk, run, sit_down, fall, wave, idle의 여섯 클래스이다. 클래스마다 시간-주파수 평면에 다른 모양을 만든다.

walk / run: 몸통의 일정한 속도가 만드는 ridge(스펙트로그램에서 에너지가 이어진 띠)와 팔다리 흔들림의 주기적 변조로 이루어진다. run은 몸통 ridge가 더 높은 Doppler에 있고, 변조의 폭과 주기가 모두 walk보다 크다.
sit_down / fall: 짧은 시간에 큰 속도 변화가 일어나는 과도 구조이다. 정지-운동-정지로 이어지는 비대칭 모양이 특징이고, fall은 sit_down보다 변화가 더 급하다.
wave: 몸통의 이동이 거의 없어 zero-Doppler 근처에 기준선이 머물고, 팔의 국소 운동만 ±1 m/s 수준의 사인 변조를 만든다.
idle: 에너지가 거의 모두 zero-Doppler 근처에 머물고, 약한 호흡과 자세 흔들림 정도만 보인다.

분류기를 비교하기 전에 클래스마다의 ridge 폭, 반복 주기, 과도의 위치, 느린 성분이 이어지는 시간을 사람 눈으로 확인해 적어 두면 분류 지표를 해석할 기준이 생긴다.