스파이킹 뉴럴 네트워크(SNN)는 생물학적 신경망의 동작 원리를 모사하여 정보 처리를 수행하는 3세대 인공신경망으로, BCML 연구실의 핵심 연구 분야 중 하나입니다. 본 연구실에서는 뇌과학 및 생명과학의 배경지식을 바탕으로 생물학적 모방에 기반한 뉴로모픽 모델을 개발하고 있습니다. 이러한 SNN은 기존의 인공신경망(ANN)과 달리 시간에 따라 발생하는 스파이크 신호를 활용하여, 에너지 효율성과 실시간 처리 능력이 뛰어난 것이 특징입니다. 연구실은 SNN을 활용한 로봇 제어, 생체 신호 분석, 하드웨어 통합 등 다양한 응용 분야에 집중하고 있습니다. 예를 들어, 강화학습과 결합된 SNN 기반 로봇 팔 제어 기술, 생체 신호 분석을 위한 SNN 회귀 모델, 그리고 저전력 뉴로모픽 칩 설계 등 실질적인 하드웨어 구현까지 연구의 폭을 넓히고 있습니다. 특히, 보상 기반 스파이크 타이밍 의존성 가소성(R-STDP)과 TD3 강화학습 알고리즘을 통합한 프레임워크 개발을 통해, 차세대 자율 시스템 및 엣지 컴퓨팅에 적합한 초저전력 적응형 제어 시스템을 구현하고 있습니다. 이러한 연구는 생물학적 신경 계산과 실제 로봇 및 임베디드 시스템의 연결을 목표로 하며, SNN 기반 시스템이 기존의 백프로파게이션 방식보다 현저히 낮은 연산 비용으로도 강인한 적응 제어를 실현할 수 있음을 입증하고 있습니다. 앞으로도 BCML 연구실은 뉴로모픽 컴퓨팅의 이론적 발전과 실용적 응용을 선도하며, 인공지능의 새로운 패러다임을 제시할 것입니다.

BCML 연구실은 의료 인공지능(Medical AI)과 생체 신호 기반 헬스케어 분야에서 선도적인 연구를 수행하고 있습니다. 심전도(ECG), 뇌파(EEG), 광용적맥파(PPG) 등 다양한 생체 신호를 활용하여, 질병 진단, 건강 모니터링, 이상 감지 등 실질적인 의료 현장에 적용 가능한 AI 솔루션을 개발하고 있습니다. 특히, 딥러닝 및 강화학습 기반의 자동 수면 단계 분류, 부정맥 및 스트레스 상태 탐지, 혈압 및 심박수 추정 등 다양한 임상적 문제에 대한 연구가 활발히 이루어지고 있습니다. 연구실은 웨어러블 IoT 기기와의 연동을 통해 실시간 건강 모니터링 시스템을 구현하고, Explainable AI(XAI) 기법을 적용하여 의료진과 사용자가 신뢰할 수 있는 투명한 인공지능 모델을 개발합니다. 예를 들어, Deep-ACTINet, Deep ECGNet, DA-CapNet 등 자체 개발한 딥러닝 아키텍처를 통해 수면-각성 상태, 정신적 스트레스, 손톱주름 모세혈관 내 백혈구 분석 등 다양한 생체 신호 기반 의료 문제를 해결하고 있습니다. 또한, 개인 인증, 이상 감지, 재보정이 가능한 혈압 측정 등 실생활에 밀접한 헬스케어 기술도 연구의 중요한 축을 이룹니다. 이러한 연구는 실제 임상 데이터와 웨어러블 센서 데이터를 활용한 대규모 실험을 통해 검증되고 있으며, 특허 및 논문, 산학협력 프로젝트로 이어지고 있습니다. BCML 연구실은 앞으로도 인공지능과 의료의 융합을 통해, 개인 맞춤형 건강관리와 미래형 스마트 헬스케어의 실현에 기여할 것입니다.

강화학습(Reinforcement Learning)은 BCML 연구실의 또 다른 핵심 연구 분야로, 로봇 제어, 생체 신호 기반 특징 선택, 개인 인증 등 다양한 응용에 적용되고 있습니다. 본 연구실은 강화학습 알고리즘을 활용하여 모델 최적화, 로봇 팔 제어, EMG 신호 기반 동작 인식, 혈압 예측 모델의 재보정 주기 결정 등 실제 문제 해결에 중점을 두고 있습니다. 특히, SNN과 결합된 강화학습 프레임워크를 통해, 생물학적 신경망의 학습 원리를 모사한 차세대 인공지능 제어 시스템을 개발하고 있습니다. 시계열 데이터 분석 분야에서는 생체 신호(ECG, EEG, PPG 등)뿐만 아니라, 차량 가격 예측, 이상치 탐지, 행동 인식 등 다양한 시계열 데이터에 대해 딥러닝, 머신러닝, 데이터 마이닝 기법을 적용하고 있습니다. 연구실은 시계열 데이터의 비선형성, 비정상성에 대응하기 위해 Empirical Mode Decomposition(MEMD), Attention Mechanism, LSTM, CNN 등 최신 신호처리 및 딥러닝 기술을 적극적으로 도입하고 있습니다. 이를 통해, 수면 단계 분류, 혈압 및 심박수 추정, 피로 및 졸음 감지, 행동 인식 등 다양한 실세계 문제에 대한 솔루션을 제시하고 있습니다. 이러한 연구는 실제 웨어러블 디바이스, IoT 센서, 의료기기 등에서 발생하는 대규모 시계열 데이터를 효과적으로 분석하고, 실시간 예측 및 이상 감지, 맞춤형 서비스 제공 등 다양한 산업 및 의료 현장에 적용되고 있습니다. BCML 연구실은 앞으로도 강화학습과 시계열 데이터 분석의 융합을 통해, 지능형 시스템의 성능 향상과 새로운 응용 분야 개척에 앞장설 것입니다.