DeepFeature: 웨어러블 생체신호를 위한 LLM 기반 컨텍스트 인식(context-aware) 특징 생성
DeepFeature: LLM-Empowered Context-aware Feature Generation for Wearable Biosignals
웨어러블 기기에서 수집된 생체신호는 헬스케어 애플리케이션에서 널리 활용된다. 이러한 애플리케이션에서 사용되는 머신러닝 모델은 효과성, 낮은 데이터 차원, 다양한 모델 아키텍처에 대한 넓은 호환성 때문에 생체신호로부터 추출된 특징에 종종 의존한다. 그러나 기존 특징 추출 방법은 종종 작업별 문맥 지식이 부족하고, 고차원 조합적 특징 공간에서 최적의 특징을 식별하는 데 어려움을 겪으며, 자동화된 코드 생성 및 실행 오류에 취약하다. 본 논문에서는 웨어러블 생체신호를 위한 최초의 LLM 기반 컨텍스트 인식 특징 생성 프레임워크인 DeepFeature를 제안한다. DeepFeature는 LLM의 고유 능력, 전문가 지식, 특징 간 상호작용을 통합하는 다중 소스 특징 생성 메커니즘을 도입한다. 또한 특징 평가 기반 피드백을 이용한 특징 재선택을 위한 반복적 특징 정제 과정을 사용한다. 추가로 DeepFeature는 특징 추출 함수가 충돌 없이 실행되도록 보장하기 위해 특징 설명-코드 변환에 대한 견고한 다층 필터링 및 검증 접근법을 활용한다. 실험 평가 결과, DeepFeature는 표본 수준(sample-level) 및 피험자 수준(subject-level) 설정 모두에서 8개 작업에 걸쳐 최고 평균 AUROC를 달성하며, 각각 최고 베이스라인을 4.56% 및 4.61% 능가한다. DeepFeature는 PPG-BP 작업에서 가장 뚜렷한 성능 향상을 달성하는 반면, Epilepsy, WESAD, 그리고 우리가 자체 수집한 SEN 데이터셋에서는 최고 성능 베이스라인과 경쟁력 있는 결과를 유지한다.