ArrythML: 자원 제한적인 임베디드 시스템에서의 온디바이스 부정맥 탐지를 위한 오토인코더 기반 TinyML 접근 방식

본 연구는 자원이 제한된 임베디드 시스템(embedded systems)에서 실시간 온디바이스 추론(on-device inference)을 수행하기 위해 Tiny Machine Learning (TinyML) 모델을 사용한 ECG 분할(segmentation) 및 부정맥 탐지 방법을 제시합니다. 우리는 임베디드 배포를 위해 레이어와 파라미터를 최소화한 INT8 양자화(quantized) 오토인코더(autoencoder) 기반 TinyML 모델을 개발합니다. 이 모델들은 MIT-BIH 부정맥 데이터베이스(Arrhythmia Database)에서 파생된 커스텀 데이터셋을 사용하여 평가되었으며, PC 기반 시뮬레이션과 온디바이스 환경 모두에서 검증되었습니다. 평가를 위해 TensorFlow Lite Micro 런타임이 실행되는 ESP32-S3 마이크로컨트롤러(microcontroller)에서 95,000개 이상의 ECG 세그먼트가 처리되었습니다. 평가 후에는 다양한 ECG 형태(morphologies)와 리듬 패턴에 걸친 모델의 동작을 특성화하고 탐지 누락을 설명하기 위해 어노테이션별(annotation-wise) 및 레코드별(record-wise) 실패 분석을 포함한 상세 분석이 수행되었습니다. 몇몇 사례에서 나타나는 명백한 오분류는 참조 어노테이션(reference annotations)에서 정상으로 라벨링된 초기 또는 미세한 이상 패턴에 해당할 수 있으며, 이는 모델의 민감도를 강조합니다. 데이터셋에서 모호한 사례를 필터링하여 정밀하게 평가한 결과, 가장 성능이 좋은 DNN 기반 오토인코더는 재현율(recall) 84%, F1-score 79%, 모델 크기 약 180 KB, 온디바이스 추론 지연 시간(inference latency) 9 ms를 달성했습니다. 이러한 결과는 전체 과정을 완전히 온디바이스에서 수행할 수 있는 저전력, 개인정보 보호형 임베디드 웨어러블 시스템의 실현 가능성을 입증합니다.