의생명 및 웨어러블·모바일 기반 딥러닝 진단·인식

Deep Learning for Biomedical Diagnosis and Mobile/Wearable Recognition

연구 내용

스마트폰 센서 시계열과 병리 이미지에서 특징을 추출해 활동·질병 상태를 분류하는 딥러닝 연구

김원준 연구실은 모바일 센서 기반 시계열 데이터와 병리 영상에서 분류 성능을 높이기 위한 딥러닝 모델을 설계합니다. 시계열 인식에서는 1D CNN과 LSTM 계열 모델을 앙상블로 결합하고 메타-학습기로 최종 예측을 통합하여 활동 인식을 수행합니다. 병리 영상에서는 VGG19의 계층적 특징 추출을 활용한 다중 패치 기반 deep convolutional auto-encoder 구조로 국소 영역의 차별 특징을 학습해 유방암 분류를 지원합니다. 데이터 특성에 맞춘 모델 구성과 특징 학습 전략을 통해 의료 보조 분석으로 연결합니다.

관련 프로젝트

0건

연구 흐름

초기에는 스마트폰 가속도 등 센서 기반 시계열로부터 보행·행동 패턴을 추정하는 인간 활동 인식 모델을 앙상블 형태로 구성해 학습 안정성과 예측 품질을 확보했습니다. 이후 의생명 데이터 범위를 병리 이미지 분류로 확장하면서 국소 영역 학습이 필요한 조직 복잡성을 고려한 다중 패치 기반 DCAE와 VGG19 결합 구조를 적용했습니다. 최근에는 서로 다른 의료 데이터 양식에서 공통으로 중요한 특징 학습·통합 전략을 정교화하여, 인식과 진단 보조에 활용 가능한 분류 파이프라인을 구축하는 방향으로 연구를 수행합니다.

활용 가능성

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

고령자 건강 모니터링 자동 분류
모바일 센서 기반 행동 이상 탐지
웨어러블 데이터 기반 생활 습관 분석
디지털 병리 기반 질병 하위유형 분류
의료 영상 보조 진단 워크플로우
다중 패치 학습 기반 국소 병변 강조
시계열 모델 앙상블 기반 예측 안정화
환자 데이터 전처리 및 특징 추출 자동화
원격 건강관리 의사결정 지원
임상 검증을 위한 분류 모델 재학습 체계