KETI Lab Console

Waiting for feature settings

Window

하나의 학습 샘플에 포함되는 연속 IMU 샘플 수입니다. 샘플 수를 늘리면 더 긴 동작을 관찰합니다.

Stride

다음 윈도우를 저장할 때 이동하는 샘플 수입니다. Window보다 작으면 서로 겹치는 학습 샘플을 만듭니다.

Stats 15

가속도 X/Y/Z 각 축에서 mean, std, min, max, RMS를 계산합니다. 3축 x 5개 통계값으로 항상 15 features입니다.

mean=sum(x)/N, std=sqrt(sum((x-mean)^2)/N), RMS=sqrt(sum(x^2)/N)

Flatten Window

시간 순서대로 ax, ay, az를 펼칩니다. 입력 크기는 Window x 3이며 시계열 모양을 보존하지만 모델이 커집니다.

[ax0, ay0, az0, ax1, ay1, az1, ...]

Raw / Processed

Raw는 수신한 ax/ay/az를 사용하고, Processed는 Input 설정의 필터와 정규화를 적용한 pax/pay/paz를 사용합니다.

Training Standardization

특징 추출 후에는 Source와 관계없이 학습 데이터 전체의 특징별 mean/std로 다시 Z-score 표준화합니다.

feature_z=(feature-dataset_mean)/dataset_std

Waiting for model settings

Hidden Layers

Input과 Output 사이 Dense 레이어 수입니다. 많을수록 복잡한 패턴을 표현하지만 계산량과 과적합 위험이 증가합니다.

Neurons / Layer

각 Hidden 레이어의 출력 개수입니다. 뉴런 수가 늘면 가중치와 RAM 사용량도 함께 증가합니다.

Activation

Hidden 레이어의 비선형 함수입니다. ReLU는 기본 선택이며, Tanh와 Sigmoid는 출력 범위가 제한됩니다.

Learning Rate

한 번의 역전파에서 가중치를 수정하는 크기입니다. 너무 크면 발산하고, 너무 작으면 학습이 느려질 수 있습니다.

Epochs

전체 학습 윈도우를 반복해서 사용하는 횟수입니다. Epoch마다 데이터 순서를 무작위로 섞습니다.

Train / Test Split

라벨별 비율을 유지하면서 일부 윈도우를 Test로 분리합니다. 특징 mean/std와 가중치 학습에는 Train 데이터만 사용합니다.

Pruning Sparsity

학습 후 절댓값이 작은 가중치를 0으로 만드는 목표 비율입니다. 현재는 프루닝 후 재학습하지 않습니다.

Quantized Export

내보낼 때 레이어별 가중치를 INT8로 변환합니다. 현재 Bias와 입력 mean/std는 float로 유지됩니다.

Output

라벨마다 하나의 출력이 생성되고 Softmax가 클래스 확률을 만듭니다. 출력 수는 Dataset의 서로 다른 라벨 수입니다.

Live Inference

학습 시 저장한 Window, Stride, Feature Mode, Raw/Processed Source, 전처리와 Train mean/std를 재사용해 브라우저에서 실시간 분류합니다.

Test 해석: Test Accuracy는 학습에 사용하지 않은 윈도우로 계산합니다. 단, Stride가 작아 서로 겹친 윈도우는 Train/Test에 유사한 데이터가 포함될 수 있습니다.