Memory-Efficient EDA Denoising via Knowledge Distillation for Wearable IoT Under Severe Motion Artifacts and Underwater Conditions

작성자

Haebom

카테고리

Empty

저자

Yongbin Lee, Andrew Peitzsch, Youngsun Kong, Jarod Zizza, Dong-hee Kang, Farnoush Baghestani, Ki H. Chon

💡 개요

본 논문은 웨어러블 IoT 기기에서 발생하는 전기 피부 활동(EDA) 신호의 잡음을 효과적으로 제거하기 위한 새로운 지식 증류 기반 딥러닝 프레임워크를 제안한다. 제안된 방법은 CNN-Transformer 기반의 복잡한 교사 모델과 경량의 CNN 학생 모델을 활용하여 모델 크기와 연산량을 크게 줄이면서도, 실제 환경에서의 잡음 제거 성능을 크게 향상시켰다. 특히, 수중 및 움직임이 심한 환경에서도 강력한 성능을 보이며, 후속 생리 신호 예측 정확도를 높이는 데 기여한다.

🔑 시사점 및 한계

•

실용적인 EDA 신호 잡음 제거: 제안된 지식 증류 방법은 웨어러블 기기에 적합한 수준으로 모델 크기와 연산량을 줄이면서도, 심각한 잡음 환경에서도 EDA 신호의 품질을 효과적으로 개선한다.

•

향상된 생리 신호 예측 성능: 잡음 제거된 EDA 신호는 중추 신경계-자율 신경계(CNS-OT) 예측과 같은 후속 다운스트림 태스크의 정확도를 크게 향상시켜, 증상 발현 전 조기 예측을 가능하게 한다.

•

다양한 환경 및 측정 위치에서의 일반화: 현실적인 데이터 증강 기법을 통해 다양한 움직임 잡음과 환경적 왜곡을 시뮬레이션하여, 여러 측정 위치와 거친 환경에서도 일반화된 성능을 확보했다.

•

한계점: 본 연구에서 제안된 방법의 성능은 특정 데이터셋 및 환경에 기반하며, 매우 광범위하고 예측 불가능한 실제 환경에서의 모든 잡음을 완벽하게 제거하는 데는 추가적인 연구가 필요할 수 있다. 또한, 특정 생리 신호 예측 태스크에 대한 성능 향상이 확인되었으나, 다른 임상적 응용 분야에서의 효과는 추가적인 검증이 요구된다.

PDF 보기

Made with Slashpage