하이퍼파라미터 최적화를 통한 심방세동(Atrial Fibrillation) 탐지 성능 향상

요약

본 연구는 심방세동(AF) 탐지 성능 향상을 위해 하이퍼파라미터 최적화(HPO)의 역할을 다룬다. 결정 트리, XGBoost 등 전통 모델과 RNN, DNN 같은 딥러닝 아키텍처를 평가했다. PhysioNet 데이터셋 기반 실험 결과, Hyperband로 최적화된 XGBoost가 최고 F1 점수 96.95%를 달성하며 우수한 성능을 입증했다.

핵심 포인트

• AF 탐지 정확도 향상에 HPO 전략이 중요한 역할을 함.
• 결정 트리부터 DNN까지 다양한 모델 아키텍처가 평가됨.
• Hyperband로 최적화된 XGBoost가 가장 높은 성능(F1 96.95%)을 기록함.
• 실제 환경 반영을 위해 클래스 불균형 처리가 중요하게 다루어짐.