최근 다양한 연구가 의료 및 보건 분야에서 수면의 질에 대해 수행되어 왔다. 이러한 분야에서의 수면 분석은 일반적으로 수면다원검사(polysomnography)를 통해 이루어진다. 그러나 수면다원검사는 신체에 센서 장치를 부착해야 하므로 물리적 접촉의 불편함과 민감성으로 인해 정확한 수면 측정이 어려울 수 있다. 최근에는 이러한 문제를 해결하기 위해 비접촉 환경에서도 생체신호를 획득할 수 있는 Ultra-wideband Radar와 같은 센서를 활용하는 연구가 주목받고 있다. 본 논문에서는 Ultra-wideband Radar를 이용하여 호흡 신호 데이터를 획득하였고, 신호 데이터로부터 다섯 가지 호흡 패턴(정상호흡, Bradypnea, Tachypnea, Apnea, Motion)을 분류하고 인식할 수 있는 1D CNN(1차원 Convolutional Neural Network) 모델을 제안하였다. 또한 제안된 모델에서는 (층의 깊이, 커널 크기, 커널의 개수)와 같은 파라미터 조합에 대한 인식률 실험을 통해 최적의 파라미터 범위를 도출하였다. 제안 방법을 적용하여 실험한 다섯 가지 호흡 패턴의 평균 인식률은 93.9%였으며, 이는 기존 방법(LDA, SVM 및 MLP)보다 약 3%~13% 더 높은 수준이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.