o 외상환자 사고 발생부터 수술과정까지 단계별 신속/환자맞춤 진단 및 수술 보조 시스템 제공을 위한 Large Multi-stage/Multi-modal Model (LMMM; L3M) 시스템 개발o (NYU 공동연구) 외상환자 사고 발생부터 수술과정까지 미국 의료시스템에 적용 가능한 단계별 신속/환자맞춤 진단 및 수술 보조 L3M 시스템 공동 개발o 외상...

□ 미래 감염병에 효율적으로 대응하고자, 생체신호 측정 손목형 웨어러블 디바이스 기반 감염병 조기진단 실현함으로서, 감염병 확산을 최소화, 장기간의 사회적 거리두기 등의 사회적 문제를 최소화하고자 함.□ 웨어러블 디바이스 기반 감염병 조기진단 실현을 위해 필요한 기술을 네 가지의 세부 요소로 구분하여 연구를 진행하고자 함.○ (웨어러블) MA-free EC...

- 중환자실에서 발생 가능한 주요 임상 이벤트인 호흡부전, 사망, 저혈압, 섬망을 예측하는 생체신호 기반의 인공지능 소프트웨어 의료기기인 “SAVE-U”를 개발- 이를 위해 각 참여 기관의 생체신호 수집 시스템을 표준화하고 생체신호 데이터가 준실시간으로 수집될 수 있도록 인프라를 구축- 각 임상 이벤트 예측에 효과적인 인공지능 모델을 개발하고 개발된 모델을...

(Trained Deep Neural Network Model 알고리즘 개발 및 최적화) - 본 연구그룹에서 제안한 추론모델을 기반으로 Accelerometer 뿐만 아니라 Gyroscope 와 Piezoelectric transducer의 Power spectra를 Motion artifact reference 로 활용하여 더 정밀한 결과값을 얻을 수 있도록 진행할 예정임. - 현재 본 연구그룹에서는 Accelerometer, Gyroscope, Piezoelectric transducer 의 물리적 특징을 이용하여 실제 Motion artifacts 와의 상관관계에 대한 깊은 분석연구를 진행하였으며 - 각 신호의 특성연구를 통한 최적화된 추론 모델 개발이후, 현재 총 71명(각 20분간의 운동)의 사용자를 대상으로 진행된 연구결과를 앞으로 300명까지 Pool을 늘려 Generalization 검증 연구를 진행할 예정임 - 현재 개발된 Deep Neural Network 모델을 기반으로 Input layer를 extension 하는 것을 시작으로, 각각의 신호에 의한 결과를 Weighting 하는 Ensemble 방식 등의 연구를 진행할 예정임. (추론 가속기 플랫폼 연구개발 및 응용) - Optimized network modeling을 통해 연산량을 최소화할 수 있지만, 실제 수백~수천만개에 이르는 파라미터를 Wearable Computing을 위한 MCU (ex. Arm Cortex M4) 에 바로 적용하는 것은 상당히 도전적인 일이 될것이며, 이를 해결하기 위해 추론 가속기 플랫폼을 연구개발하여 적용할 예정임. - 최근 ARM에서 공개한 Compute Libary (ACL)의 경우, 웨어러블 컴퓨팅에 최적화할 수 있도록 다양한 low-level neural network 함수들을 제공하고 있으며, 실제 Baseline 보다 25% 정도의 processing time을 줄일 수 있다는 연구결과가 있었으며, 이를 이용하여 연산속도를 증가시키기 위한 개발을 진행할 예정이나, - ACL에서 제공하는 함수는 Neural network에 필요한 기본적인 연산함수만을 제공하는 등의 한계가 있어 추론 가속기 플랫폼의 추가적인 연구개발이 필요한 상황임. - 국내에 SoyNet 회사는 인공지능 실행 가속기 플랫폼을 개발하였으며, TensorFlow, Keras, Caffe 보다 2~5배 정도 연산량 속도를 증가시킨 바 있음. - 하지만, 이는 기존 GPU를 대상으로 구현하였으며, 아직 웨어러블 디바이스에서서 구현은 진행하지 못한 상황으로, 본 연구그룹이 개발한 Deep Neural Network Model을 SoyNet과 함 Reflectance-type PPG 웨어러블 디바이스에 세계 최초로 적용시키고자 함. - 현재까지 진행된 추론 가속기 플랫폼은 Forward Layer, Interface management, Resource Management, Native API 등 네 개 층으로 분류하여, Pretrained weights을 Language Interface 인 C/C++과 결합하여 최종적으로 최적화된 API를 제공할 수 있도록 연구를 진행할 예정임. - 딥러닝의 AI를 구현관점이 아닌 API처럼 취급하도록 함으로서, 신속한 모델링 연구가 가능하도록 할 예정임.