Machine Learning-based Risk Assessment Model for Construction Workers with Actions and Surrounding Environment

건설근로자의 위험도는 다양한 동작과 환경 변화에 따라 달라지지만, 기존 연구는 정적 통계자료나 일부 요인만 고려하여 실시간성과 통합적 위험 판단에 한계가 있었다. 본 연구는 이러한 한계를 극복하기 위해, 웨어러블 센서 기반 시계열 데이터를 활용한 CNN-LSTM과 산업안전 기준 수식을 결합한 위험도 판단 모델을 제안한다. Pseudo-label을 생성해 지도학습을 수행하고, 동작·생체·환경 요인을 통합 반영해 고위험·중위험·저위험 세 등급으로 분류하며 VTT-ConIoT 데이터셋 실험에서 Accuracy 99%, F1-score 0.95, Macro 0.95, Weighted 0.99의 성능을 보였다. 이는 기존 HAR 연구를 위험도 예측으로 확장한 독창성을 입증한다. 다만, 본 연구는 Pseudo-label을 활용했으므로 향후 실제 레이블 데이터 검증을 통해 일반화 성능을 보완할 필요가 있다.