선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 사용자의 상태 모니터링을 위한 인공지능 딥러닝 기술에 대해 소개하였다. 시간에 따라 지속적으로 변하는 생체 신호의 특징을 좀 더 정확하게 분석하기 위해서는, 고정된 모델이 아닌 데이터 기반으로 모델이 형성되는 End-To-End 딥러닝 모델을 심전도 스트레스 예측과 수면 상태모니터링에 적용해야 더 좋은 성능을 낸다는 것을 확인할 수 있었다.
- 본 논문에서는 앞서 언급된 생체신호의 특징을반영하여 심전도 및 액티그래피 데이터로부터 딥러닝 모델을 설계할 수 있는 Deep ECGNet[2]과DeepACTINet[3]을 소개하며, 이 알고리즘들이 사용자의 스트레스 분석 및 수면 분석에 있어 기존 모델 기반 알고리즘보다 우수한 성능을 낸다는 것을 보일 것이다.
- <그림 4>와 같이 사용자에게 스트레스를 유발하거나 평온한 상태를 유도할 수 있는 비디오클립을 보여주며 측정된 심전도 신호를 비교 분석하여, 사용자 스트레스 예측 및 추정을 하고자 하였다[2].
- 이러한 딥러닝 알고리즘 또한 기존의 특징점 추출 알고리즘으로부터 획득한 특징점들을 입력으로받아 모델을 만들어가는 방법들이 제시되고 있으나, 본 기고에서는 생체신호 고유의 특징인 비정형및 비선형성을 반영하기 위하여 데이터 자체를 입력으로 사용하여 디자인하는 End-To-End 딥러닝구조를 강조하고자 한다. 특히 심전도 및 액티그래피 신호 분석을 위하여 최근 개발된 Deep ECGNet과 Deep ACTINet을 소개하며, 생체신호 분석에 있어 딥러닝 End-To-End 모델의 중요성을 논하겠다[2,3].
- 이러한 딥러닝 알고리즘 또한 기존의 특징점 추출 알고리즘으로부터 획득한 특징점들을 입력으로받아 모델을 만들어가는 방법들이 제시되고 있으나, 본 기고에서는 생체신호 고유의 특징인 비정형및 비선형성을 반영하기 위하여 데이터 자체를 입력으로 사용하여 디자인하는 End-To-End 딥러닝구조를 강조하고자 한다. 특히 심전도 및 액티그래피 신호 분석을 위하여 최근 개발된 Deep ECGNet과 Deep ACTINet을 소개하며, 생체신호 분석에 있어 딥러닝 End-To-End 모델의 중요성을 논하겠다[2,3].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.