프로젝트 요약

  • 개요: CUSUM 기반 이상 탐지와 다채널 시계열 분류를 결합한 개인 오염 감지 모델 설계
  • 기간: 2025.04-
  • 데이터: 여러 센서 채널로 구성된 보드 단위의 개인 오염 감지 모듈 시계열 신호
  • 기술 스택: CUSUM, MiniRocket, GPSignature, WaveletPCA, Random Forest, Soft Voting, Stacking Ensemble
  • 성과(성능): 채널별 반응 차이를 반영한 앙상블 구조로 예측 강건성 향상 (세부 수치는 보안서약상 비공개)

문제 정의

화생방 상황에서는 오염 여부를 빠르게 판단하는 것이 중요하지만, 센서 신호는 온도, 습도, 주변 환경, 장비 상태에 따라 쉽게 흔들릴 수 있습니다. 단순히 특정 임계값을 넘었는지만 보는 방식은 실제 환경에서 오탐과 미탐을 만들 가능성이 높습니다.

이 프로젝트는 개인 오염 감지 모듈에서 발생하는 시계열 신호를 바탕으로, 오염 징후를 조기에 탐지한 뒤 해당 구간의 상태를 분류하는 판단 구조를 만드는 것을 목표로 합니다. 핵심은 보드 전체를 하나의 입력으로만 보지 않고, 센서 채널마다 다른 반응 특성을 모델에 반영하는 것이었습니다.

데이터와 EDA

데이터는 여러 센서 채널로 구성된 보드에서 수집한 시계열 신호입니다. 같은 보드 안에서도 채널별 반응 속도와 민감도가 다를 수 있어, 모든 채널을 한 번에 입력하는 방식만으로는 특정 채널의 둔한 반응이나 노이즈에 영향을 받을 수 있었습니다.

EDA에서는 다음 질문을 중심으로 데이터를 해석합니다.

  • 정상 상태에서도 센서 신호가 얼마나 흔들리는가?
  • 오염 이벤트는 순간적인 spike인지, 일정 시간 유지되는 패턴인지?
  • 보드 내 채널별 반응 속도와 신호 크기에 차이가 있는가?
  • 환경 조건 변화와 실제 오염 신호를 어떻게 분리할 수 있는가?

접근 방법

문제를 단순 이진 분류로만 보지 않고, CUSUM 기반 이상 탐지 + 시계열 분류의 2단계 구조로 나눴습니다.

1. CUSUM 기반 이상 탐지

먼저 정상 상태의 기준선에서 벗어나는 변화가 누적되는지를 CUSUM으로 추적했습니다. 이 단계는 전체 시계열을 바로 분류하는 대신, 오염 가능성이 있는 변화 구간을 빠르게 포착해 다음 분류 단계로 넘기는 역할을 합니다.

2. 시계열 분류 모델 비교

CUSUM이 감지한 구간을 대상으로 다음 네 가지 분류기를 구성하고 비교했습니다.

  • MiniRocket
  • GPSignature
  • WaveletPCA
  • Random Forest

초기에는 보드의 다채널 신호를 한 번에 모델에 입력했습니다. 다만 실제 신호에서는 특정 채널이 민감하게 반응하는 반면 다른 채널은 반응이 늦거나 둔할 수 있었습니다. 하나의 다채널 모델에만 의존하면 이런 채널별 차이가 예측 안정성을 떨어뜨릴 수 있었습니다.

3. 채널별 신뢰도 가중 Soft Voting

이를 보완하기 위해 네 분류기 각각에 대해 채널별 단일 모델을 따로 두었습니다. 각 모델이 낸 예측 확률 벡터에서 가장 큰 확률과 두 번째 확률의 차이를 해당 채널의 확신도로 정의했습니다.

확신도가 큰 채널은 해당 구간을 더 분명하게 판단한 것으로 보고 높은 가중치를 부여했습니다. 반대로 반응이 둔하거나 불확실한 채널의 영향은 낮춘 뒤, 채널별 예측을 confidence-weighted soft voting으로 결합했습니다.

4. 모델 간 Stacking

채널별 soft voting 구조는 MiniRocket, GPSignature, WaveletPCA, Random Forest 각각에 동일하게 적용했습니다. 마지막으로 네 모델의 출력을 다시 스태킹해, 서로 다른 시계열 표현 방식이 포착하는 정보를 결합했습니다.

성과(성능)

채널별 반응 차이를 단일 다채널 입력에 묻히지 않게 처리하면서, 일부 채널의 불안정한 신호에 덜 흔들리는 예측 구조를 만들었습니다. 구체적인 성능 수치와 실험 정보는 보안서약상 공개하지 않습니다.

느낀점

이 프로젝트에서는 모델을 하나 더 복잡하게 만드는 것보다, 어떤 채널의 판단을 얼마나 믿을지 다루는 일이 더 중요했습니다. 같은 상황에서도 모든 센서가 똑같이 반응하지 않기 때문에, 채널별 예측을 그대로 평균내는 방식보다 각 채널의 확신도를 반영하는 방식이 실제 신호에 더 잘 맞았습니다.

또한 CUSUM으로 변화 구간을 먼저 좁힌 뒤 분류를 수행하면서, 탐지와 분류가 각각 다른 역할을 가져야 한다는 점을 분명히 볼 수 있었습니다. 안전 시스템에서는 단순 정확도뿐 아니라 변화 감지의 시점, 오탐과 미탐, 그리고 예측의 일관성을 함께 고려해야 한다고 느꼈습니다.

업데이트: