ㅁ 신호처리 융합

ㅇ 정의:
– 생체 신호(심전도 ECG, 뇌파 EEG, 근전도 EMG, 맥파 PPG 등)를 센서로 수집한 후, 신호처리 기법과 AI 알고리즘을 융합하여 패턴을 인식하고 의미 있는 정보를 추출하는 기술.

ㅇ 특징:
– 노이즈 제거, 필터링, 주파수 분석 등의 전처리 과정 필수.
– 시간영역, 주파수영역, 시간-주파수영역 분석을 모두 활용 가능.
– AI 모델(딥러닝, 머신러닝)과 결합 시 개인 맞춤형 분석 가능.
– 실시간 처리 요구 시 경량화 및 임베디드 최적화 필요.

ㅇ 적합한 경우:
– 웨어러블 디바이스에서 건강 모니터링.
– 의료 진단 보조 시스템.
– 뇌-컴퓨터 인터페이스(BCI) 응용.

ㅇ 시험 함정:
– 단순한 신호 수집과 인식의 차이를 혼동하기 쉬움.
– ‘신호처리 융합’은 하드웨어+소프트웨어 결합 개념이 포함됨.
– 주파수 분석 기법과 AI 모델의 역할을 구분하지 못하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “ECG 신호에서 노이즈 제거 후 딥러닝으로 부정맥 패턴을 인식하는 것은 Biosignal Recognition의 예이다.”
– X: “Biosignal Recognition은 신호를 수집하는 하드웨어 설계만을 의미한다.”

================================

1. Biosignal Recognition

ㅇ 정의:
– 생체 신호를 디지털 데이터로 변환 후, 패턴 인식 알고리즘을 적용하여 특정 상태나 이벤트를 식별하는 기술.

ㅇ 특징:
– 다양한 센서(EEG, ECG, EMG, PPG)로부터 입력.
– 전처리(필터링, 정규화, 특징 추출)와 분류기(ML/DL 모델)로 구성.
– 개별 사용자별 특성 반영 가능.

ㅇ 적합한 경우:
– 환자의 실시간 건강 상태 모니터링.
– 스포츠 퍼포먼스 분석.
– 감정 인식 기반 서비스.

ㅇ 시험 함정:
– 단순한 데이터 로깅과 인식 기술을 혼동.
– 특징 추출 없이 원시 데이터만으로 인식 가능하다고 오해.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “EEG 데이터를 주파수 분석 후 SVM으로 수면 단계를 분류하는 것은 Biosignal Recognition에 해당한다.”
– X: “Biosignal Recognition은 오직 심전도 신호에만 적용된다.”

ㅁ 추가 학습 내용

Biosignal Recognition 학습 정리

1. 신호처리 기법
– FFT(고속 푸리에 변환): 주파수 영역 분석에 사용
– 웨이블릿 변환: 시간-주파수 해석 가능
– 필터 설계: 노이즈 제거 및 특정 대역 신호 추출

2. AI 모델 결합 방식
– 딥러닝 CNN: 공간적 패턴 인식
– RNN, LSTM: 시계열 데이터 처리 및 장기 의존성 학습
– 신호처리 결과를 AI 모델 입력으로 활용하여 성능 향상

3. 생체 신호별 특징
– ECG: QRS 복합파 분석
– EEG: 알파파, 베타파 등 주파수 대역별 특징

4. 센서 특성
– 측정 정확도, 민감도, 샘플링 속도, 잡음 특성 이해

5. 데이터 전처리 절차
– 필터링, 정규화, 아웃라이어 제거, 구간 분할

6. 실시간 처리 제약 조건
– 지연 시간 최소화
– 연산 효율성 확보
– 하드웨어 자원 한계 고려

7. 다중 모달 생체 신호 융합
– ECG, EEG, EMG 등 다양한 신호를 결합하여 정확도 향상
– 시공간적 특징 통합 분석

8. 개인정보 보호 이슈
– 데이터 익명화, 암호화
– 접근 권한 관리

9. 의료기기 인허가 관련 법규
– KFDA, FDA 규정 이해
– 안전성, 유효성 검증 절차 숙지