이 연구는 다중 양식(멀티모달) 산소포화도 센서에서 얻은 근적외선 범위의 파형 데이터를 이용하여 뇌 산소포화도(cerebral oxygen saturation)를 정확하게 예측할 수 있도록 하는 기계학습 기반 알고리즘을 개발하였다. 데이터는 인기 있는 뇌용 옥시미터인 Masimo O3™ 지역 옥시메트리(Masimo O3™ regional oximetry) (Co., United States)와 다중 양식 뇌 옥시미터 Votem(Inc., Korea)에서 총 150,000개의 관측치로부터 수집되었다. 이 중 112,500개(75%)와 37,500개(25%)는 각각 훈련 및 테스트 세트로 사용하였다. 종속변수는 Masimo O3™의 뇌 산소포화도 값(0-100%)이었다. 독립변수는 측정 시간(0-300,000 ms)과 Votem에서의 16비트 소수(10진) 진폭 값(적외선 및 적색)(0-65,535)이었다. 이마 오른쪽 부위의 경우, 랜덤 포레스트의 평균제곱근오차(0.06)가 선형 회귀(1.22) 및 은닉층 1개, 2개 또는 3개를 사용한 인공신경망(2.58)보다 훨씬 작았다. 이 결과는 이마 왼쪽 부위에서도 유사하게 나타났으며, 즉 랜덤 포레스트(0.05) 대 로지스틱 회귀(1.22) 및 은닉층 1개, 2개 또는 3개를 사용한 인공신경망(2.97)이었다. 기계학습은 다중 양식 뇌 옥시미터의 데이터를 활용함으로써 뇌 산소포화도를 정확하게 예측하는 데 도움을 준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.