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.1. 광학 센서 Table 데이터 기반 중성 지방 예측 모델 구축손목에 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.2. Pulse Wave Signal 데이터 기반 중성 지방 예측 모델 구축Pulse 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. 3. 광학 센서 Table 데이터 및 Pulse Wave Signal 데이터 기반 멀티 모달 중성 지방 예측 모델 구축서로 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. 4. 피험자 별 중성 지방 농도 예측 결과 시각화아래 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.

본 프로젝트의 목표는 비침습적인 방식으로 여러 가지의 혈중 성분을 측정하기 위한 인공지능 예측 모델을 구축하는 것이다. 임피던스 데이터와 광학 센서 데이터에서 여러 혈중 성분들과 관련된 의미 있는 특징을 추출하는 것이 핵심이며, 이를 기반으로 피험자 간 변동성에 강건한 멀티 아웃풋 모델과 supervised contrastive learning 방식의 사전학습을 활용하는 방법론을 적용하였다. 수집된 생체 데이터들은 사람별로 다른 특성을 갖기 때문에 피험자별로 학습/평가 데이터를 구성하는 subject-wise cross-validation을 사용하여 보다 객관적인 학습 및 평가를 진행하였다.1. 임피던스 데이터 기반 멀티 아웃풋 예측모델 구축임피던스 데이터는 인체에 미세한 전류를 통과시킬 때 발생하는 저항값을 계측하여 수집되었으며, 여러 주파수, 측정 범위, 측정 위치에 따라 총 117개의 변수로 구성된다. 또한 피험자의 메타 정보(키, BMI, 성별 등)을 같이 활용하여 입력 데이터로 구성하였다. 이후 여러 혈중성분 중 서로 상관성 있는 성분들을 파악하고, 이들을 동시에 예측할 수 있는 멀티 아웃풋 심층 신경망을 적용하였다. 구축된 모델은 correlation, MSE, MAPE 지표 관점에서 단일 예측 모델보다 좋은 성능을 보였다.2. 광학 센서 데이터 기반 중성지방 예측모델 구축 광학 센서 데이터는 빛을 내는 광원과 이를 흡수하는 PD센서로 이루어져 있다. 8종류의 광원에서 나오는 빛을 18개의 PD센서에서 흡수하여 144개의 변수로 구성되어있으며 산란방정식 기반의 가공변수를 생성하였고, 이동평균 및 변수선택을 통해 노이즈를 제거하였다. 이후, 중성지방 농도별 유사한 데이터끼리 모아 10개의 class를 구성하였으며 이를 예측하는 사전학습 task를 학습하였고, 학습된 모델을 지식전이를 통해 예측모델에 활용하였다. 구축된 모델은 다른 예측모델들에 비해 정확하고 강건한 성능을 보여주었다.

본 과제 목표는 비침습형 센서 데이터 기반 혈중 지질(lipid) 예측모델 개발이다. 예측모델을 학습하기 위한 데이터로 비침습형 광학 센서인 2차원 PPG (photoplethysmogram) 센서를 기반으로 혈중 지질 농도를 설명할 수 있는 다양한 타입의 센서로부터 데이터를 수집한다. 또한, 광학인자와 혈중 지질 농도와의 관계가 피험자마다 서로 다른 점을 고려하기 위해 피험자별 개인 정보(성별, 체질량 지수 등)를 입력 데이터로 사용한다. 수집된 데이터를 예측모델에 효과적으로 적용하기 위해 데이터 전처리(preprocessing) 및 오토인코더(autoencoder) 학습을 수행하여 유용한 특질을 추출하고, 데이터 비선형성을 반영할 수 있는 예측모델인 gradient boosting machine (GBM)을 순차적으로 적용하여 지질을 예측한다. 전반적인 연구 프로세스는 다음 그림과 같다.  수집된 PPG 센서데이터는 유의미한 구역만 입력데이터로 사용하기 위해 필터링을 진행하고 관측치별 데이터 격차를 최소화하기 위한 정규화(normalization)을 진행한다. 필터링은 사전에 정의된 영역에 위치하는 센서만 사용하며, 피험자별 정규화는 각 데이터에 L2 정규화를 수행한다 (센서 타입마다 정의된 영역은 다르다). 이후 고차원 데이터를 저차원으로 표현하기 위해 오토인코더 기반 표현 학습을 진행하였고, 이렇게 추출된 특징을 예측모델에 적용하였다.