본 논문은 웨어러블 센서 데이터를 이용한 인간 활동 인식(HAR)을 위한 새로운 딥러닝 모델인 SETransformer를 제안합니다. SETransformer는 Transformer 기반의 시간적 모델링과 채널별 압축-여기(SE) 어텐션, 그리고 학습 가능한 시간적 어텐션 풀링 메커니즘을 결합한 하이브리드 구조를 가지고 있습니다. 이는 기존 CNN이나 RNN 모델들의 장기간 시간 의존성 및 다중 센서 채널 간의 상황 관련성 포착의 어려움을 해결하기 위한 시도입니다. 세축 가속도계 데이터를 입력으로 받아 전역 자기 어텐션을 활용하여 활동 특유의 동작 역학을 장시간에 걸쳐 포착하고, 정보가 풍부한 센서 채널과 중요한 시간 단계를 적응적으로 강조합니다. WISDM 데이터셋을 이용한 실험 결과, 기존 LSTM, GRU, BiLSTM, CNN 모델들을 상당한 차이로 능가하는 검증 정확도 84.68% 및 매크로 F1 점수 84.64%를 달성했습니다.