Inertia-1: 통합된 모션 파운데이션 모델을 향한 공개적 탐색

Inertia-1은 파편화된 기존 모션 모델의 한계를 극복하기 위해 제안된 통합 모션 파운데이션 모델입니다. 데이터 샘플링 레이트, 윈도우 길이, 센서 모달리티가 제각각인 기존 방식과 달리, 단일 제어된 공간 내에서 데이터, 센싱, 목적 함수, 규모를 통합적으로 연구했습니다.

이 모델은 손목(Wrist) 가속도계 데이터로 사전 학습되었음에도 불구하고, 재학습 없이도 머리, 가슴, 엉덩이 등 다른 신체 부위와 자이로스코프, 자기계 등 다른 센서 유형으로의 전이가 가능합니다. 여러 센서 스트림을 결합할수록 표현(Representation)의 정확도가 높아지고 활동 클러스터가 더 명확해지는 특성을 보입니다.

주요 연구 결과에 따른 센싱 설계 가이드라인은 다음과 같습니다:

• 샘플링 레이트: 활동 인식에는 1Hz로도 충분하지만, 정밀한 건강 신호에는 높은 샘플링 레이트가 필요함
• 윈도우 길이: 문맥 파악과 선명도를 모두 잡을 수 있는 30~60초가 최적임
• 3축 데이터 유지: 벡터 크기 요약보다 삼축(Triaxial) 입력이 일관되게 우수한 성능을 보임
• 시간 영역(Time-domain) 모델링: 주파수 영역 재구성보다 보행 및 건강 지표 보존에 유리함

Inertia-1은 1,800만 시간 이상의 대규모 가속도계 데이터를 활용한 자기지도학습(Self-supervision)을 통해 구축되었으며, 피트니스 트래킹부터 임상 스크리닝까지 다양한 헬스케어 애플리케이션에 활용될 수 있습니다.