웨어러블 센서 기반 딥러닝 전처리 비교 및 컴퓨팅 파이프라인

Deep Learning Pipeline with Wearable Sensor Preprocessing Comparison

연구 내용

웨어러블 PPG 심박 추정에서 다양한 전처리 방식을 비교하고, 센서 입력 구성을 최적화하여 딥러닝 기반 예측 파이프라인을 구축하는 연구

웨어러블 생체신호에서는 입력 신호의 변동성과 센서 잡음이 성능을 제한하므로, 전처리 단계의 설계를 핵심 요소로 설정합니다. PPG 신호를 기준으로 전처리 기법을 여러 가지로 적용하고, 가속도계 기반 보정과 결합하여 motion artifacts 영향을 저감하는 방향으로 비교 실험을 수행합니다. 이후 선택된 입력 표현을 딥러닝 모델 학습에 연결하고, 하이퍼파라미터·구조 최적화를 통해 예측 파이프라인의 재현성과 성능을 정리합니다.

관련 프로젝트

0건

연구 흐름

먼저 PPG 기반 심박 추정에서 전처리 전략이 결과에 미치는 민감도를 파악하기 위해 여러 전처리 기법을 비교했습니다. 다음 단계로 동작 상황을 반영하기 위해 가속도계 연계 전처리 구성을 반영하여 학습 입력의 품질을 높였습니다. 이후 모델 튜닝과 구조 탐색을 통해 전처리 선택이 모델 최적화와 어떻게 결합되는지 확인하며, 최종적으로 웨어러블 환경 적용을 고려한 파이프라인을 완성했습니다.

활용 가능성

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

PPG 기반 추정 파이프라인 설계
전처리 기법 비교 프레임워크
센서 잡음 저감 절차
학습 입력 품질 관리
스마트워치용 데이터 처리 루틴
생체신호 기반 예측 모델 재사용
운동 데이터 기반 견고성 향상
운영 환경 변수 고려 학습
모션 조건별 파이프라인 분기
웨어러블 데이터 수집-학습 연결