관성자기센서 (inertial and magnetic sensor)를 활용하여 관심 대상의 움직임을 분석하기 위해, 물체의 3 차원 자세는 필수적인 물리량으로 활용된다. 일반적으로 3 차원 자세는 규칙기반 센서융합 필터 알고리즘을 사용하여 관성자기센서의 신호를 융합해 추정된다. 최근 딥러닝의 발전으로, 자세추정의 대안법은 다양한 관성자기센서 신호와 참조 자세 데이터로 구성된 데이터셋으로 신경망을 종단간 학습시키는 것이다. 본 논문에서는 관성자기센서 신호를 통해 3 차원 자세를 추정하기 위한 두 가지 신경망을 제안하였다. 또한 데이터 증강 기법이 자세 추정 신경망에 미치는 영향을 살펴보기 위해 세가지 증강기법이 자세 추정 신경망의 성능에 미치는 영향을 분석하였다. 첫번째로 제안된 자세 추정 신경망은 순환신경망으로, 관성자기센서의 신호를 입력으로 받아 3 차원 자세를 나타내는 단위 쿼터니언을 출력한다. 제안된 신경망은 기존 필터 알고리즘보다 우수한 성능으로 자세를 추정하였다. 하지만 쿼터니언 기반 순환신경망은 경사각과 방위각의 오차를 개별적으로 최소화하지 못한다. 이 문제를 해결하기 위해 두번째 신경망은 두 순환신경망으로 구성된 병렬 신경망으로, 기울기와 방위각을 개별적으로 추정한다. 제안된 병렬 신경망은 경사각 그리고 방위각의 오차를 별도로 최소화할 수 있어, 앞서 언급한 쿼터니언 기반 신경망보다 효과적으로 3 차원 자세를 추정할 수 있었다. 마지막으로 자세 추정 신경망의 성능에 대한 회전, 편향 그리고 노이즈 증강 기법이 미치는 영향을 평가했다. 검증결과, 센서자세를 가상으로 회전시키는 회전 증강이 성능 향상에 가장 큰 영향을 미쳤다. 본 논문의 결과는 자세추정에서 신경망 기반 접근 방식이 기존의 규칙 기반 접근 방식을 능가하며 딥러닝이 다양한 관성 모션 캡쳐 관련 응용분야에서 큰 잠재력을 가지고 있음을 나타낸다.