본 프로젝트의 목표는 비침습적인 방식으로 혈중 중성 지방 농도를 측정하기 위한 인공지능 예측 모델을 구축하는 것이다. 광학 센서 데이터와 pulse wave signal 데이터에서 중성 지방과 관련된 의미 있는 특징을 추출하는 것이 핵심이며, 이를 기반으로 피험자 간 변동성에 강건한 중성 지방 측정 알고리즘 개발을 수행하였다.

Table 및 signal의 두 가지 형식의 데이터에 기초하여 예측에 중요한 여러 특징들을 다양하게 추출하고 활용하고자 하였으며, 두 가지 형식의 데이터를 함께 사용하여 설명력을 상호 보완할 수 있는 방식으로 예측 모델을 고도화하였다.

본 프로젝트의 연구 결과는 비침습 방식의 혈중 중성 지방 측정 기기에 적용 가능하며, 비침습 센서 기술 발달과 함께 스마트 의료 진단 기술 발전에 기여할 수 있을 것으로 기대된다.

손목에 부착된 광학 센서로 수집된 데이터는 노이즈와 많은 변수로 인해 과적합 발생 가능성과 피험자 간 변동성이 존재한다. 따라서 raw 데이터를 기반으로 산란 방적식 기반 가공 변수 생성, 차원 축소 기법 적용 및 이동 평균을 통한 노이즈 제거, 중요 변수 선택 등의 기법을 적용하여 중성 지방 예측에 유의미한 특징을 추출하였다. 이후, 다양한 머신러닝 알고리즘을 사용하여 혈중 중성 지방 농도를 예측하였으며, subject-wise cross-validation을 사용하여 모델 별 성능을 객관적으로 평가하였다. 구축된 모델의 경우 correlation 지표 관점에서 매우 좋은 성능을 보였으며, 실제 중성 지방의 증감 패턴을 우수하게 예측한다는 것을 확인하였다.

Pulse wave signal 데이터는 주파수 영역에서 다양한 정보를 담고 있으며 시간에 따라 변하는 파형 및 동적인 특성을 포착하는 것이 중요하다. 따라서 1차원의 pulse wave signal 데이터를 2차원의 이미지 형태인 scalogram으로 변환하여 시계열성과 주파수에 대한 특징을 보다 풍부하게 추출하였다. 이후, 이미지 기반 딥러닝 알고리즘을 사용하여 혈중 중성 지방 농도를 예측하였으며, subject-wise cross-validation을 사용하여 모델의 성능을 객관적으로 평가하였다. 구축된 모델의 경우 IoU 지표 관점에서 좋은 성능을 보였으며, 실제 중성 지방의 절대적인 수치를 우수하게 예측한다는 것을 확인하였다. 

서로 다른 형식의 광학 센서 데이터와 pulse wave signal 데이터를 함께 활용할 수 있는 멀티 모달 프레임워크를 적용하여 기존의 예측 모델을 고도화하였다. 각 데이터 별로 적합한 모델을 사용해 특징을 추출하였고, 이를 결합하여 하나의 특징 벡터로 매핑하는 feature vector concatenation 기반의 방법을 사용하였다. 이때, 각각 학습된 특징 간의 분포 차이를 줄여 멀티 모달 데이터가 포괄적으로 사용되도록 하기 위해 스케일링 기법과 가중치에 따른 결합 기법을 적용하였다. 구축된 모델은 광학 센서 및 pulse wave signal를 단독으로 사용했을 때보다 향상된 성능을 보였으며, correlation과 IoU 지표 관점에서 우수한 성능을 보였다. 멀티 모달 모델링을 통해 각 데이터의 특징과 장점을 효과적으로 활용하여 실제 중성 지방의 증감 패턴 및 절대적인 수치를 우수하게 예측한다는 것을 확인하였다. 

아래 그래프는 피험자 별 혈중 중성 지방 농도 예측 결과를 시각화한 것이다. 한 피험자에 대해 시간에 따른 혈중 중성 지방 농도의 실제값과 예측값을 함께 보여준다. 각 피험자 내에서 시간에 따른 혈중 중성 지방 농도 값과 변화 추이를 우수하게 예측하고 있음을 확인할 수 있다.