- 전산학부 이재길 교수팀, 착용 기기 센서 데이터를 통해 사용자의 상태 변화 탐지

- 올 12월 최고권위 국제학술대회 ‘신경정보처리시스템학회 2024’에서 발표 예정

- 다양한 종류의 센서 데이터에서 최신 방법 대비 최대 12.7% 정확도 향상

KAIST 이재길 교수 연구팀이 헬스케어 앱 센서 데이터 변화점 탐지 정확도를 12.7% 향상시킨 '리커브' 기술을 개발했다. 이 기술은 사용자의 상태 변화를 정확하게 탐지할 수 있어 디지털 헬스케어 산업에 큰 파급 효과를 기대하고 있다.

▲(왼쪽부터) KAIST 전산학부 박재현 석사과정, 전산학부 이재길 교수, (오른쪽 위)전산학부 신유주 박사

최근 건강에 관한 관심이 점차 커지면서 일상생활에서 스마트 워치, 스마트 링 등을 통해 자기 신체 변화를 살펴보는 일이 보편화되었다. 그런데 기존 헬스케어 앱에서는 걷기에서 뛰기로 갑자기 변화를 줄 경우는 잘 측정이 되지만 천천히 속도를 높이는 경우는 측정이 안 되는 현상이 발생했다. KAIST 연구진이 완만한 변화에도 동작을 정확하게 파악하는 기술을 개발했다. 

KAIST(총장 이광형)는 전산학부 이재길 교수 연구팀이 다양한 착용 기기 센서 데이터에서 사용자 상태 변화를 정확하게 검출하는 새로운 인공지능 기술을 개발했다고 12일 밝혔다. 

보통 헬스케어 앱에서는 센서 데이터를 통해 사용자의 상태 변화를 탐지하여 현재 동작을 정확히 인식하는 기능이 필수이다. 이를 변화점 탐지라 부르며 다양한 인공지능 기술이 변화점 탐지 품질을 향상하기 위해 적용되고 있다.

이재길 교수팀은 사용자의 상태가 급진적으로 변하거나 점진적으로 변하는지에 관계없이 정확하게 잘 동작하는 변화점 탐지 방법론을 개발했다. 

연구팀은 각 시점의 센서 데이터를 인공지능 기술을 통해 벡터(사용자의 시점별 상태 특성(이동속도, 자세, 움직임 등)을 나타내는 가장 좋은 수학적 개념)로 표현하였을 때, 이러한 벡터가 시간이 지남에 따라 이동하는 방향을 주목하였다. 같은 동작이 유지될 때는 벡터가 이동하는 방향이 급변하는 경향이 크고, 동작이 바뀔 때는 벡터가 직선상으로 이동하는 경향이 크게 나타났다.

▲연구팀에서 개발한 `RECURVE' 방법론의 동작 개념도. 착용 기기로부터 센서 스트림 데이터가 수집된다. 시점별 데이터는 인공지능 표현 학습으로 표현 공간상의 표현 벡터로 변환된다. 연속적인 시점의 표현 벡터를 궤적으로 정의하고, 시점별 곡률을 측정하며 평균 곡률이 주변에 비해 작아진 시점을 변화점으로 결정한다. 예를 들어, 사용자의 상태가 `빨리 걷기'에서 `천천히 뛰기'로 점진적으로 변할 때, 표현 벡터간의 거리는 큰 차이가 없는 반면, 표현 벡터 궤적의 곡률은 변화점 주변에서 많이 작아진 것을 볼 수 있다. 이를 통해 점진적으로 변화하는 미세한 상태 변화도 놓치지 않고 정확하게 탐지할 수 있다.

연구팀은 제안한 방법론을 ‘리커브(RECURVE)’라고 명명했다. 리커브(RECURVE)는 양궁 경기에 쓰이는 활의 한 종류이며, 활이 휘어 있는 모습이 데이터의 이동 방향 변화 정도(곡률)로 변화점을 탐지하는 본 방법론의 동작 방식을 잘 나타낸다고 보았다. 이 방법은 변화점 탐지의 기준을 거리에서 곡률이라는 새로운 관점으로 바라본 매우 신선한 방법이라는 평가를 받았다.

연구팀은 변화점 탐지 문제에서 다양한 헬스케어 센서 스트림 데이터를 사용하여 방법론의 우수성을 검증하여 기존 방법론에 비해 최대 12.7% 정확도 향상을 달성했다.

연구팀을 지도한 이재길 교수는 "센서 스트림 데이터 변화점 탐지 분야의 새로운 지평을 열 만한 획기적인 방법이며 실용화 및 기술 이전이 이뤄지면 실시간 데이터 분석 연구 및 디지털 헬스케어 산업에 큰 파급효과를 낼 수 있을 것이다ˮ고 말했다. 

KAIST 데이터사이언스대학원을 졸업한 신유주 박사가 제1 저자, 전산학부 박재현 석사과정 학생이 제2 저자로 참여한 이번 연구는 최고권위 국제학술대회 `신경정보처리시스템학회(NeurIPS) 2024'에서 올 12월 발표될 예정이다. (논문명 : Exploiting Representation Curvature for Boundary Detection in Time Series)

한편, 이 기술은 과학기술정보통신부 재원으로 정보통신기획평가원의 지원을 받아 SW컴퓨팅산업원천기술개발사업 SW스타랩 과제로 개발한 연구성과 결과물(RS-2020-II200862, DB4DL: 딥러닝 지원 고사용성 및 고성능 분산 인메모리 DBMS 개발)이다. 

용어 설명:

● 표현 학습(representation learning): 데이터 특징을 자동으로 추출할 수 있도록 학습하는 인공지능 방법이다. 본 연구에서는 자기지도 학습 방식을 통해 동일한(positive) 종류의 데이터 쌍에서 공유되고 다른(negative) 종류의 데이터 쌍에서 차이가 생기는 특징을 추출한다.

● 표현 공간(representation space): 표현 학습에서 추출한 각 특징으로 차원이 구성되는 벡터 공간을 뜻한다. 본 연구에서는 표현 공간의 차원 수를 8 혹은 32로 설정하였다.

● 표현 벡터(representation vector): 표현 학습에서 추출한 특징을 이용하여 데이터를 표현하였을 때, 표현 공간상에 위치하는 각 데이터에 해당하는 벡터를 뜻한다.

● 스트림 데이터(stream data): 시점별로 여러 변수의 수치가 실시간으로 연속하여 입력되는 형태의 데이터를 뜻한다.

● 변화점(change point): 스트림 데이터의 연속적인 구간이 사용자의 특정 상태(예: 걷기, 뛰기)를 나타낼 때, 상태가 변하는(예: 걷기→뛰기) 두 구간의 경계 시점을 뜻한다.