Robust and Interpretable Biosignal Learning with Data Validity and Utility Verification
연구 내용
신호 열화와 분해 조건에 강건한 분류 구조를 설계하고, 해석 가능한 특징 기반 학습을 적용하며 데이터 유효성·유용성을 검증하는 연구
생체신호에서 발생하는 신호 열화 상황을 고려해 윈도우 기반 세그먼트 설정과 멀티-윈도우 앙상블을 통해 분류 안정성을 확보하는 방법을 연구합니다. 동시에 PPG 신호와 파생 특징을 활용하여 특징 선택 기반의 해석가능 학습을 적용해 임상 의사결정에서 사용 가능한 근거를 제공하는 방향으로 확장합니다. 다기관 코호트 기반 모델에서는 외부 검증을 포함해 입력 분포 및 데이터 품질 차이에 따른 일반화 이슈를 점검합니다. 이러한 과정은 데이터 큐레이션과 데이터 유효성·유용성 검증을 목표로 하는 프로젝트와 연계하여 재현성과 적용 기준을 정리하는 데 초점을 둡니다.
관련 연구 성과
관련 논문
0편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
먼저 2024년 다기관 위험 예측 연구에서 입력 변수 구성과 외부 검증 절차를 통해 일반화 성능을 점검하는 체계를 마련했습니다. 이후 2025년에는 신호 열화 조건에서 모터 이미저리 BCI 분류 성능이 유지되도록 시간 세그먼트 및 멀티-윈도우 앙상블 전략을 적용하는 연구를 수행했습니다. 같은 해 PPG 기반 고혈압 탐지에서는 특징 선택을 포함한 해석가능 기계학습 구성을 도입하여 임상 설명 가능성을 강화했습니다. 전 과정에서 데이터 유효성 및 유용성 검증 관점을 적용해 모델 개발-평가-운영 기준을 일관되게 유지했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 프로젝트
구분
제목
기계학습 알고리즘 기반 데이터 유효성 및 유용성 검증