사람들이 일상적인 건강관리 서비스에 손목밴드 형태의 전자 기기, 예컨대 스마트워치를 사용하는 것은 흔한 일이다. 스마트워치가 제공하는 건강관리 서비스 중 운동 중 심박수(HR)를 측정하는 방법은 비침습적이며 광용적맥파(photoplethysmogram, PPG)를 사용한다. 그러나 이 방법은 사용자의 움직임에 의한 인공신호(motion artifacts, MAs)에 취약하다는 단점이 있다. 가속도계를 이용해 PPG로부터 MA를 제거하는 기법이 연구되었으며, 최근에는 딥러닝 기반 알고리즘에 기초한 많은 연구가 수행되었다. 본 연구에서는 다양한 전처리 기법을 비교하고 최적의 전처리 매개변수를 도출하였으며, 모델 튜닝 기법을 사용함으로써 성능 향상을 달성하였다. 또한, Microsoft가 개발한 Neural Network Intelligence를 이용하여 하이퍼파라미터 탐색 및 신경망 아키텍처 탐색을 수행함으로써 모델을 최적화하였다. 그 결과, 이전 연구에 비해 매개변수가 75배 감소하였고, 평균절대오차(mean absolute error, MAE)는 7.65 BPM에서 6.02 BPM으로 26% 향상되었다.

머신러닝은 인공지능의 한 하위 분야로, 특정 문제에 대해 명시적인 알고리즘이 아니라 학습 가능한 모델을 생성함으로써 문제를 해결한다. 머신러닝은 질병 검출, 컴퓨터 비전, 데이터 예측 분야에서 널리 사용되고 있다. 머신러닝 알고리즘의 예로는 인공신경망, k-NN, SVM 등이 있으며, 그 외도 포함될 수 있다. 머신러닝 모델의 ‘학습’은 훈련 데이터셋을 사용하여 내부 매개변수를 업데이트하는 과정으로 수행된다. 이때 모델의 수렴 속도와 인식률은 학습 데이터의 구성에 따라 달라진다. 본 논문에서는 DEAP(생리 신호를 이용한 감정 분석을 위한 데이터베이스; Database for Emotion Analysis using Physiological Signals)를 사용하여 감정 분류를 위한 머신러닝 모델을 구성할 때 인식률을 향상시키기 위해 훈련 데이터의 집합을 어떻게 선택하는지에 대해 연구한다. EEG는 32개 채널 중에서 즐거움, 슬픔 또는 충격을 유발하는 영상을 시청하는 동안 선택된 FP1 및 FP2의 두 채널을 통해 기록하였다. EEG 데이터에 FFT(고속 푸리에 변환; Fast Fourier Transform)를 적용하여 얻은 PSD(전력 스펙트럼 밀도; Power Spectral Density) 값은 인공신경망에 입력하기 위한 목적의 뇌파 특징 데이터로 사용하였다. 마지막으로, SAM(Self-Assessment Manikin) 방법으로 결정된 Valence 및 Arousal 값에 기초하여 EEG 데이터에서 훈련 데이터를 선택함으로써 인공신경망, k-NN, SVM 모델을 모델링하고, 이를 통해 감정 분류를 수행하였다.

이 논문은 처리할 이미지의 에지(edge) 정보를 이용하는 히스토그램 평활화(histogram equalization) 방법을 제시한다. 이 방법의 기본 아이디어는 객체의 형태 적합성(object conformation)에 중요하고 필수적인 에지 정보를 바탕으로 히스토그램 평활화를 수행하는 것이다. 제안하는 방법에서는 평활화 과정의 등화화를 위한 히스토그램 생성에 에지 정보를 사용한다. 또한 이 방법은 평활화 과정에서 매핑 함수(mapping function)의 양자 점프(quantum jumps)를 유발하는 히스토그램 스파이크(histogram spikes)를 억제하는 데 효과적임이 확인된다. 제안 방법은 무작위로 선택한 30장의 이미지에 대해 시험하였고, 구조적 유사성을 보존하는지 확인하기 위해 정량적 지표를 사용하여 기존의 접근법과 비교하였다. 실험 결과는 제안 방법이 더 우수한 성능을 가지며 히스토그램 스파이크로 인해 발생하는 인공물(artifacts)이 없음을 보여준다.

영상 분할을 위한 임계값을 평가하는 데에는 다양한 알고리즘이 있다. 그중 Otsu의 알고리즘은 히스토그램을 기반으로 임계값을 설정한다. 모든 회색 수준에 대해 집단 간 분산을 구한 다음, 그중 가장 큰 값을 Otsu의 최적 임계값으로 설정하므로 Otsu의 알고리즘은 상당한 계산이 필요함을 알 수 있다. 본 논문에서는 모든 임계값 후보에 대해 계산하는 대신 추정된 Otsu 임계값을 사용함으로써 계산 필요량을 개선하였다. 제안한 알고리즘은 계산량과 정확도 측면에서 기존 알고리즘과 비교된다. 그 결과, 제안한 알고리즘은 단일 프로세서에서는 기존 방법에 비해 약 29배 빠르고, 병렬 처리 아키텍처 머신에서는 약 4배 빠름을 확인하였다.

본 연구는 다중 변환된 영상을 융합하는 방식으로 이미지 늘림(image stretching) 방법을 제안한다. HDR 영상 획득을 위해 여러 장을 노출하는 대신, 제안된 방법은 단일 이미지로부터 서로 다른 늘림(stretched) 상태의 영상을 생성하고 이를 혼합(blending)하여 지각적 동적 범위를 증가시키되, 다중 이미지 획득을 생략하고 동반되는 모션 블러를 방지한다.

우리는 영상의 대비를 향상시키기 위한 새로운 히스토그램 평활화(Histogram Equalization, HE)를 제안한다. 대부분의 기존 HE 방법은 양자 도약으로 인한 과도한 향상이라는 문제에서 여전히 자유롭지 못하므로, 제안하는 방법은 다양한 영상 조건에서 해당 문제를 다루기 위한 견고성에 초점을 둔다. 이를 달성하기 위해, 가중치 값에 따라 기존 HE의 영(Null) 매핑 함수의 곡선 형태와 정상(Normal) 매핑 함수의 곡선 형태를 적절히 결합하여 출력 매핑 함수의 곡선 형태를 조정한다. 실험 결과는 제안된 방법이 어려운 조건에서도 잘 견디며, 적절한 수준의 영상 품질을 제공함을 보여준다.

본 논문은 가우시안 저역통과 필터를 채택하여 선행된 그래디언트 기반 방식의 확장판인 컬러 필터 어레이 보간(interpolation) 방법을 제안한다. 영상에서 녹색 평면의 고주파 성분은 동일 영상의 적색 또는 청색 평면의 고주파 성분과 거의 같다는 가정에서 출발한다. 우리는 기존의 그래디언트 방법이 이와 같은 아이디어를 활용할 수 있으며, 가우시안 저역통과 필터를 적용하여 성능을 향상시킬 수 있음을 확인한다. 합리적인 마스크 크기와 적절한 가우시안 시그마(sigma) 값을 결정하기 위해 샘플 영상에 대해 다양한 값을 시험하고, 이후 제안된 방법에서 다른 테스트 영상의 녹색 평면을 보간하는 데 이를 사용한다. 이어서 적색 및 청색 평면의 보간을 수행하고, 평탄한 에지(edge) 라인을 따라 방향성 중앙값 처리를 적용한다. 이 과정은 컬러 평면을 보간하는 동안 유입되는 잘못된 색(false colors)을 효과적으로 억제할 수 있다. 제안된 방법은 합리적인 시각적 품질을 제공하며, 기존 방법들에 비해 전반적으로 더 높은 피크 신호대 잡음비(peak-signal-to-noise ratio)를 나타낸다.