본 논문은 24시간 동안의 움직임 행동을 수면, 정적인 활동, 저강도 신체 활동(LPA), 중강도 이상의 신체 활동(MVPA)으로 분류하기 위해 심층 학습(DL)과 고전적인 기계 학습(ML) 알고리즘의 성능을 비교 분석했습니다. 손목에 착용하는 가속도계(Axivity-AX3)를 착용한 151명의 성인으로부터 얻은 공개 데이터를 사용하여, 참가자들을 훈련, 검증, 테스트 세트로 무작위로 나누었습니다. 원시 가속도 신호를 겹치지 않는 10초 간격으로 분할하고, 총 104개의 수작업 특징을 추출했습니다. LSTM, BiLSTM, GRU, 1D-CNN 네 가지 DL 알고리즘을 원시 가속도 신호와 추출된 수작업 특징을 사용하여 훈련시켰습니다. 또한, 수작업 특징을 사용하여 Random Forest, SVM, XGBoost, Logistic Regression, ANN, Decision Tree 등의 고전적인 ML 알고리즘을 훈련시켰습니다. 결과적으로, 원시 가속도 신호를 사용하여 훈련된 LSTM, BiLSTM, GRU는 약 85%의 정확도를 보였고, 1D-CNN은 약 80%의 정확도를 보였습니다. 수작업 특징을 사용하여 훈련된 DL 및 고전적인 ML 알고리즘의 정확도는 70%에서 81% 사이였습니다. MVPA와 LPA의 분류에서 수면과 정적인 활동에 비해 혼동이 더 많았습니다. 결론적으로, 원시 가속도 신호를 사용한 DL 방법은 수작업 특징을 사용하여 훈련된 DL과 고전적인 ML에 비해 24시간 움직임 행동 강도 예측에서 약간 더 나은 성능을 보였습니다.
