본 연구에서는 대기행렬 길이를 작은 오버슈트와 더 빠른 정착 시간으로 효율적으로 제어하기 위한 자체 튜닝 비율 및 큐 기반 비례-적분 제어기인 SRQ-PI를 제안한다. SRQ-PI는 혼잡 수준을 패킷 드롭 확률로 동적으로 사상하는 새로운 제어 추적 함수를 제안한다. SRQ-PI에서 유입 트래픽 비율을 추정하고 이를 비례 및 적분 제어기에 사용한다. SRQ-PI는 외부 피드백을 요구하지 않고 내부 피드백을 통해 스스로 튜닝하며 시스템을 안정화한다. 또한 SRQ-PI의 안정성은 제어 이론을 사용해 분석되며, 제어 이득 파라미터를 선택하기 위한 체계적인 지침을 제시한다. 시뮬레이션 작업에는 NS2를 사용한다. 시뮬레이션 결과는 SRQ-PI가 안정적이며 평균 지연 지터가 더 낮아 더 빠른 과도 응답을 보이고, 동적 네트워크 파라미터에 대해 견고함을 나타낸다. SRQ-PI는 비례-적분(PI), 지능형 적응형 PI(IAPI), 랜덤 지수 마킹(REM) 알고리즘보다 성능이 우수하다.

일회용 전극은 주로 ECG 신호를 측정할 때 사용된다. 그러나 일회용 전극은 재사용성과 내구성이 낮아 장기간 사용 시 고품질 신호를 얻기 어렵다. 본 연구에서는 일회용 전극을 대체할 새로운 기준 전극으로서 금속판과 도전성 테이프의 적용 가능성을 평가하였다. 평가를 위해 1D CNN 기반 학습 모델과 ECG 측정 시스템을 구현하여 데이터를 수집하였다. 구현된 신경망은 MIT-BIH 부정맥 데이터 세트를 기반으로 학습되었으며, 정상 신호를 포함한 5개 ECG 분류가 가능하였다. 금속판, 도전성 테이프 및 일회용 전극의 측정 평가를 위해 학습된 모델을 사용하여 현장 시험을 수행하였다. 구현된 CNN 학습 모델의 ECG 클래스 분류는 96% 이상의 분류 정확도를 확인하였고, 기존에 연구된 패턴 매칭 알고리즘 및 타 연구와 비교하여 우수한 검출 성능을 확인하였다. 현장 시험에서는 일회용 전극, 금속판 및 도전성 테이프를 통해 획득한 ECG 신호로 학습된 신경망을 사용하여 부정맥 분류 성능을 평가하였다. 실험에서 평가에 사용된 ECG 신호는 10명의 피험자로부터 각 클래스당 300개 샘플을 측정하였다. 그 결과, 일회용 전극은 98.59%로 분류되었고, 금속판은 95.26%로, 도전성 테이프는 96.13%로 분류됨을 확인하였다. 일상생활에서 일회용 전극으로 ECG를 측정하는 것은 불편하다. 그러나 일회용 전극에 비해 금속판과 도전성 테이프의 ECG 검출 성능에는 차이가 없었다. 또한 금속판과 도전성 테이프는 재사용이 가능하고 장기간 사용할 수 있어 기존 웨어러블에 쉽게 적용할 수 있다.

건강에 대한 관심이 증가함에 따라 많은 사람들이 체중 감량, 질병 예방, 심폐호흡 기능 향상을 위해 운동을 하고 있다. 효과적인 운동을 위해서는 자신의 신체 능력에 따라 적절한 강도로 운동을 진행해야 한다. 본 논문에서 구현한 시스템은 CNN 학습 모델을 사용하여 PPG 신호로 운동 강도를 분류함으로써 객관적인 운동 강도 분류를 수행한다. PPG 신호는 PPG 센서를 통해 운동 후 측정하였으며, P-피크(P -peaks) 사이의 간격을 기반으로 훈련 데이터 세트를 구성하였다. 훈련 데이터 세트는 PPG 신호에 따라 세 가지 운동 강도를 분류하도록 CNN 모델을 학습한다. 구현된 CNN 학습 모델의 정확도를 분석하기 위해 분류 평가 지표 및 운동 강도 분류 모니터링 시스템의 성능 평가를 수행하였다. 먼저 운동 강도 분류를 위한 CNN 모델의 성능 평가를 수행하였다. 성능 평가에서는 훈련 결과에 따라 분류 평가 지표를 계산하였는데, 실제 정답 중 성공적으로 예측된 비율을 나타내는 재현율(recall rate), 예측된 데이터 중 실제 정답 비율을 나타내는 정밀도(precision), 그리고 재현율과 정밀도의 조화 평균을 나타내는 F1 점수(F 1 score)를 확인하였다. 그 결과 CNN 학습 모델의 분류 성능 평가 지표는 정확도 99.3%, 재현율 99.9%, 정밀도 99.8%, F1 점수 99.4%로 나타났다. 둘째, 운동 강도 분류 모니터링 시스템의 성능을 평가하기 위해 5명의 피험자를 대상으로 줄넘기 실험을 수행하였다. 실험에서는 저강도, 중강도, 고강도 줄넘기를 각각 수행한 후 각 세트의 종료 시점에서 PPG를 측정하였다. 측정된 PPG 데이터를 CNN 모델에 각각 50회 입력하여 분류 정확도를 분석하였다. 실험 결과 저강도의 정확도는 98%, 중강도는 93.6%, 고강도는 97.6%였으며, 총 정확도는 96.4%로 확인되었다. 일부 오류는 운동 강도 사이의 경계선에 위치한 데이터가 잘못 분류되었기 때문인 것으로 생각된다. 향후 연구에서는 각 운동에 대한 가속도 신호를 함께 측정하여 다양한 운동에 적용할 수 있는 운동 강도 모니터링 시스템에 대한 연구를 수행하고자 한다.

본 연구에서는 대기행렬 길이를 작은 오버슈트와 더 빠른 정착 시간으로 효율적으로 제어하기 위한 자체 튜닝 비율 및 큐 기반 비례-적분 제어기인 SRQ-PI를 제안한다. SRQ-PI는 혼잡 수준을 패킷 드롭 확률로 동적으로 사상하는 새로운 제어 추적 함수를 제안한다. SRQ-PI에서 유입 트래픽 비율을 추정하고 이를 비례 및 적분 제어기에 사용한다. SRQ-PI는 외부 피드백을 요구하지 않고 내부 피드백을 통해 스스로 튜닝하며 시스템을 안정화한다. 또한 SRQ-PI의 안정성은 제어 이론을 사용해 분석되며, 제어 이득 파라미터를 선택하기 위한 체계적인 지침을 제시한다. 시뮬레이션 작업에는 NS2를 사용한다. 시뮬레이션 결과는 SRQ-PI가 안정적이며 평균 지연 지터가 더 낮아 더 빠른 과도 응답을 보이고, 동적 네트워크 파라미터에 대해 견고함을 나타낸다. SRQ-PI는 비례-적분(PI), 지능형 적응형 PI(IAPI), 랜덤 지수 마킹(REM) 알고리즘보다 성능이 우수하다.