웨어러블 기기에서의 EEG 분석을 위한 딥러닝 모델의 복잡도 감소

웨어러블 헬스케어 기기는 가장 빠르게 성장하는 사물인터넷 (IoT) 분야입니다. 많은 자동화된 헬스케어 서비스는 각각 심장과 뇌의 활동을 반영하는 두 가지 중요한 생체 신호인 ECG 및 EEG에 의존합니다. 딥 뉴럴 네트워크 (DNN)가 이러한 신호를 처리하고 분석하는 주요 방법으로 간주되지만, 웨어러블 기기의 매우 엄격한 에너지 및 연산 능력 제약은 DNN 모델의 연산, 에너지 및 메모리 대역폭 요구 사항보다 훨씬 낮으며, 이로 인해 많은 실용적인 웨어러블 서비스에서 딥러닝의 배포가 방해받고 있습니다. 본 논문은 자원이 제한된 웨어러블 기기에 최첨단 DNN 모델을 배포하는 것의 타당성을 조사합니다. 특히, 파라미터 양자화 (parameter quantization) 및 전극 감소 (electrode reduction) 방법이 사용될 때 DNN의 정확도와 연산 복잡도 사이의 트레이드오프 (trade-off)를 탐구합니다. 우리의 조사는 특히 간질 발작 (epileptic seizures)을 감지하기 위해 설계된 EEG 신호 분석용 여러 최첨단 DNN 모델에 집중합니다. 우리의 연구 결과는 이러한 기술들이 신중하게 적용될 때, 정확도에 미치는 부정적인 영향을 최소화하면서 고려 중인 DNN의 복잡도를 크게 줄일 수 있음을 보여줍니다. 이러한 결과는 웨어러블 기기를 위한 DNN 기반 온라인 EEG 분석을 적응시킬 때 직면하게 되는 정확도와 복잡도 감소 사이의 명시적인 트레이드오프를 드러냅니다.