Harmony Search 기반 호흡 인식 신경망 하이퍼파라미터 최적화 연구

Harmony Search for Hyperparameter Optimization in Respiration Recognition

연구 내용

Harmony search 알고리즘으로 1D CNN의 하이퍼파라미터 조합을 최적화하여 호흡 패턴 인식 성능을 개선하는 연구

호흡 패턴 인식용 1D CNN에서 성능을 좌우하는 하이퍼파라미터 조합을 효과적으로 탐색하는 연구를 수행합니다. 합성곱 층의 깊이, 커널의 수와 크기, 밀집층 뉴런 수 등 구조적 선택지를 하이퍼파라미터로 정의하고, harmony search 기반 탐색 절차로 최적 조합을 산출합니다. 탐색이 신경망 학습 파이프라인에 자연스럽게 결합되도록 설계하여 모델 성능 향상과 탐색 효율을 동시에 고려합니다. 이를 통해 호흡 신호 패턴 인식에서 재현 가능한 최적화 전략을 확보합니다.

관련 프로젝트

1건

연구 흐름

초기 연구에서는 1D CNN의 하이퍼파라미터가 호흡 패턴 인식 성능에 미치는 관계를 정리하고, harmony search 기반 탐색 방법으로 최적 조합을 도출하는 절차를 제안했습니다. 이후 과제 수행 기간에는 호흡 패턴 분류와 구간 검출로 연구 범위를 넓히면서, 모델 설계 요소가 전체 인식 파이프라인의 안정성에 미치는 영향을 함께 반영했습니다. 최근에는 패턴 인식 고도화 과정에서 하이퍼파라미터 최적화가 실제 시스템 성능으로 이어지도록 신경망 구성과 학습 전략을 정합하게 관리하는 연구를 수행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

신경망 구조 탐색 자동화
호흡 패턴 분류 모델 튜닝
시계열 인식 파이프라인 표준화
의료 데이터용 최적 학습 전략
모델 성능 재현성 확보
실시간 추론용 경량 모델 설계
하이퍼파라미터 탐색 플랫폼
연속 신호 인식 성능 향상
의료 AI 모델 유지보수
실험 설계 기반 최적화