인간의 호흡 정보는 의료 영역에서 건강 상태의 분석을 가능하게 하는 생체인식 정보의 중요한 출처로 활용되고 있다. 특정 호흡 패턴의 빈도 또는 지속 시간의 분석, 그리고 일정 기간 동안 해당 구간에서 호흡 패턴을 분류하는 일은 호흡 정보를 다양한 방식으로 활용하는 데 중요하다. 기존 방법들은 일정 기간의 호흡 데이터로부터 각 호흡 패턴에 대해 구간을 분류하기 위해 윈도 슬라이딩 처리(window slide processing)를 요구한다. 이 경우 하나의 윈도 내에 여러 호흡 패턴이 존재하면 인식률이 저하될 수 있다. 이를 해결하기 위해 본 연구에서는 1D 시암네트워크(Siamese neural network, SNN) 기반 인간 호흡 패턴 탐지 모델과, 모든 호흡 구간 각각에서 각 구역에 존재하는 다중 호흡 패턴을 분류하기 위한 merge-and-split 알고리즘을 제안한다. 각 패턴에 대한 호흡 범위 분류 결과에 대해 교집합 대비 합집합(intersection over union, IOU)으로 정확도를 계산한 결과, 기존 심층신경망(deep neural network, DNN)과 비교해 약 19.3%, 1D 합성곱신경망(1D convolutional neural network, CNN)과 비교해 약 12.4% 향상됨을 확인하였다. 단순 호흡 패턴에 기반한 탐지 정확도는 DNN보다 약 14.5%, 1D CNN보다 약 5.3% 높았다.