PyTorchKR Papers

최신 논문

총 13편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13435v1cs.LG

PPG-Bench: PPG 파운데이션 모델을 위한 통합 벤치마크

PPG-Bench: A Unified Benchmark for PPG Foundation Models

광용적맥파(Photoplethysmography, PPG)는 웨어러블 및 임상 기기에서 점점 더 대규모로 기록되고 있으며, 다양한 다운스트림 작업을 위한 재사용 가능한 표현을 계산하기 위해 점점 더 많은 PPG 파운데이션 모델(FM)이 개발되고 있다. 이러한 모델들은 서로 비교하기 어려운데, 평가마다 서로 다른 데이터셋, 작업 정의, 전처리, 다운스트림 헤드, 하이퍼파라미터 튜닝, 기준선을 사용하기 때문이다. 우리는 5개의 공개 PPG FM을 9개의 오픈 액세스 데이터셋과 심혈관 상태 추정, 활동, 수면, 스크리닝, 식별에 걸친 26개 작업에 대해 평가하는 통합 오픈소스 벤치마크인 PPG-Bench를 제시한다. 우리는 적응성이 점차 증가하는 네 가지 다운스트림 체제(선형 프로빙, 랜덤 포레스트, 고정된 MLP 프로브, 엔드-투-엔드 파인튜닝) 하에서 모델별 하이퍼파라미터 최적화와 피험자 분리 교차검증을 적용하여 모델을 평가한다. 우리는 또한 세 가지 대조군, 즉 무작위/상수 기준선, 결정론적 맥박률 변동성(pulse-rate-variability, PRV) 특징 집합, 범용 시계열 FM(MOMENT)과 비교하여 평가한다. 68개의 작업-체제 조합 전체에서 35.3%는 무작위/상수 기준선 대비 FM의 유의미한 이점을 보이지 않았으며, 83.8%에서는 어떤 PPG 전용 FM도 PRV와 MOMENT를 모두 능가하지 못했다. 또한 다운스트림 헤드의 용량을 추가하면 일반적으로 성능이 향상되지만, 모델이 무작위 수준/상수 수준에서 동작하는 경우에는 상당한 성능 저하를 유발할 수 있음을 발견했다. 따라서 현재의 PPG FM은 아직 PPG 신호에 대한 일반화되고 전이 가능한 표현을 제공한다고 주장할 수 없으며, 이 분야의 향후 평가에는 단순하고 학습되지 않은 대조군에 대한 검증이 포함되어야 한다. 벤치마크 코드와 추가 모델 평가 방법은 다음에서 확인할 수 있다 - https://github.com/mannas-ai/ppg-bench.

arXiv:2610.10662v1cs.LG

PPG에 '누구인가'가 아닌 '어떠한 상태인가'를 가르치기: ECG로부터의 고정효과 지식 증류

Teaching PPG How not Who: Fixed-Effects Distillation from ECG

ECG는 PPG 전용 모델을 학습시키는 데 널리 사용되지만, 모델에 구체적으로 무엇이 전달되는지는 규명되지 않았습니다. 웨어러블 기기는 개인의 심혈관 상태 변화 추적에 유용하게 쓰이지만, ECG에서 PPG로의 지식 증류(distillation)는 주로 대상자가 누구인지에 대한 신원 정보를 학습합니다. 기록 단위의 평균인 '특질(trait)'은 고정된 ECG 교사 모델 타깃의 40~59%를 차지하며, 풀링된 학생 모델은 이를 새로운 기록으로 일반화하지 못한 채 단순히 암기합니다. 상수 예측기만으로도 코사인 유사도가 0.793을 기록하기 때문에, 단순 정렬 코사인 지표는 이러한 문제를 포착하지 못합니다. 34회의 실험 전반에서 학생 모델이 신원 정보를 더 많이 암기할수록 상태에 대해 학습하는 양은 줄어들었습니다. 고정효과 지식 증류(Fixed-effects distillation)는 예측값과 타깃에서 각 기록의 평균을 차감하여 특질 성분을 상쇄하는 동시에, 풀링된 앵커를 통해 이를 유지합니다. 그 결과 상태 일치도가 2배 이상 증가하였고, 연령 및 성별 성능은 변함없이 개인 내 레이블 예측 성능만 향상되었으며, 이러한 성능 향상은 두 개의 백본 및 두 개의 추가 데이터베이스에서도 일관되게 유지되었습니다. 기록에 조건을 부여함으로써 지식 증류가 웨어러블 기기가 모니터링하는 개인 내 변화를 학습하도록 유도할 수 있습니다.

arXiv:2605.14360v2cs.HC

종단적 학생 건강 모니터링을 위한 웨어러블 센싱의 보완재로서 짧은 정서적 텍스트에 대한 형성적 연구

A Formative Study of Brief Affective Text as a Complement to Wearable Sensing for Longitudinal Student Health Monitoring

웨어러블 기기는 생체 및 행동 데이터를 점점 더 높은 정확도로 포착하지만, 이러한 결과를 형성하는 심리적 맥락은 센서 데이터만으로는 복원하기 어려워 조기 조난 신호 감지, 맞춤형 개입, 적시의 임상적 지원과 같은 디지털 헬스 목표를 위한 수동적 센싱(passive sensing)의 유용성을 제한합니다. 본 연구에서는 매우 짧은 일상적 고민 텍스트가 수동적 센싱을 위한 확장 가능한 보완재 역할을 할 수 있는지 살펴보았습니다. Oura ring으로 추적 관찰된 대학생 458명을 대상으로 한 1년간의 연구(3,610 person-waves)에서, 참가자들은 가장 걱정되는 점에 대한 개방형 프롬프트에 격월로 응답하였으며, 응답의 중간값 길이는 세 단어였습니다. 본 연구에서는 짧은 일상적 텍스트에서 생리학적으로 유의미한 신호를 가장 잘 복원하는 방법을 파악하기 위해 사전 기반, 범용 사전학습, 도메인 적응형 자연어 처리(NLP) 접근 방식을 9가지 수면 및 신체 활동 결과를 대상으로 개인 내 혼합 효과 모델(within-person mixed-effects models)을 사용하여 비교했습니다. 학업에 대한 걱정 표현이 주를 이룬 주간은 신체 활동량 감소와 관련이 있었으며, 정서적 탈진 언어가 두드러진 주간은 수면 질 저하 및 심박 변이도(heart rate variability) 감소와 관련이 있었습니다. 범용 사전학습 임베딩은 대부분의 결과에서 도메인 적응 모델만큼 우수하거나 더 나은 성능을 보였으며, 두 모델 간의 차이는 대체로 미미하고 추정 오차 범위 내에 있었습니다. 고민 주제에 대한 제로샷(zero-shot) 분류는 결과와의 연관성에 대해 일관된 증거를 보이지 않은 반면, 세 가지 방법 전반에 걸친 정서적 차원은 더 많은 연관성을 나타냈으나 다중 비교 보정(correction for multiple comparisons)을 통과하지는 못하여 주제별 내용보다 정서적 분위기(emotional register)가 더 많은 신호를 담고 있을 수 있다는 초기 증거를 제공했습니다. 이러한 결과는 디자인 가이드라인을 제공합니다. 즉, 매우 짧은 정서적 프롬프트는 최소한의 부담으로 수동적 생체 데이터의 심리학적 해석 가능성을 풍부하게 합니다.

arXiv:2605.01238v2cs.HC

EduGage: 자기주도형 비디오 학습 환경에서 센서 기반 순간 몰입도 평가를 위한 멀티모달 데이터셋 및 벤치마크

EduGage: A Multimodal Dataset and Benchmark for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning

주의 집중, 정서적, 인지적 차원과 연결되는 몰입도(engagement)는 학습에서 중요한 역할을 합니다. 온라인 및 비디오 기반 학습 환경에서 학습자는 교수 자료와의 상호작용을 스스로 조절해야 하는 경우가 많습니다. 따라서 몰입도를 측정하고 성찰하는 것은 학습자와 적응형 학습 시스템 모두를 지원할 수 있습니다. 본 연구에서는 웨어러블 및 카메라 기반 감지 장치를 사용하여 PPG, ECG, EDA, EEG, IMU, 심박수, 체온, 시선 추적 데이터를 포함한 생체 및 모션 신호를 수집하여 학습자의 몰입도를 추정합니다. 비디오 기반 학습 시나리오에서 16명의 참가자를 대상으로 사용자 연구를 수행하였으며, 참가자들은 학습 과제를 완료하고 직전 1분 동안 주의를 집중하기 얼마나 어려웠는지를 보고하는 1-5점 척도의 현장 몰입도 프로브(engagement-probe) 평가를 반복적으로 제공했습니다. 본 연구는 몰입도 추정을 위한 벤치마크를 구축하고, 다양한 감지 모달리티를 비교하며, 학습자 몰입도를 특성화하기 위한 멀티모달 모델링의 타당성과 효과성을 심층 분석합니다. 참가자 기반 교차 검증에서 모달리티 인식 참조 모델은 0.80의 MAE, 83.18%의 오차 1 이내(within-1) 정확도, 70.96%의 이진 정확도, 62.90%의 이진 Macro-F1을 달성하여 센서 미사용, 통계, 딥 시계열, 파운데이션 모델, 대규모 언어 모델(LLM) 기반 베이스라인보다 우수한 성능을 보였습니다. 본 연구 결과는 세밀한(fine-grained) 몰입도 추정이 실현 가능하지만 본질적으로 노이즈가 존재하며, 선호되는 센서 구성은 목표 지표와 실제 감지 부담에 따라 달라진다는 점을 시사합니다. 자기주도 학습에서 세밀한 센서 기반 몰입도 모델링에 대한 재현 가능한 연구를 지원하기 위해 동기화된 멀티모달 센서 신호, 프로브 정렬 몰입도 평가, 비디오 메타데이터, 퀴즈, 학습 자료가 포함된 EduGage 데이터셋을 본 연구의 주요 기여로 공개합니다.

arXiv:2610.02497v1cs.LG

LiteEMG-FM: 강건한 EMG 센싱을 위한 효율적이고 배포 가능한 파운데이션 모델

LiteEMG-FM: An Efficient and Deployable Foundation Model for Robust EMG Sensing

근전도(EMG) 신호는 개인, 신체 부위, 측정 세션 및 센싱 하드웨어에 따라 크게 달라지며, 이는 보조 장치 및 인간-컴퓨터 상호작용(HCI)을 위한 모델의 일반화를 제한합니다. 또한 기존의 시계열 파운데이션 모델(foundation model)은 실시간 웨어러블 배포에 연산 비용이 많이 들고, EMG 특유의 시간-주파수 특성을 잘 포착하지 못하는 경우가 많습니다. 본 논문에서는 실용적인 EMG 센싱을 위한 효율적인 하이브리드 CNN-트랜스포머(Transformer) 파운데이션 모델인 LiteEMG-FM을 제시합니다. 16개의 다양한 상·하체 EMG 데이터셋에서 사전학습된 LiteEMG-FM은 사용자와 데이터셋 전반에 걸쳐 일반화되는 표현을 학습합니다. 리소스가 제한된 배포 환경을 위해, 경량 상시 작동(always-on) 1D-CNN이 휴식 상태 및 비목표 활동을 필터링하고 유효한 제스처에 대해서만 LiteEMG-FM을 활성화하는 계층적 웨이크업 아키텍처를 구현합니다. 우리는 완전 추론 오프로딩, 분할 추론, 완전 온디바이스 처리 방식을 평가하여 지연 시간, 전력 소비량, 메모리 사용량 간의 트레이드오프를 규명합니다. 다양한 평가 환경에서 LiteEMG-FM은 최신 시계열 파운데이션 모델 및 지도학습 베이스라인을 능가하며, 특히 캘리브레이션이 없는(zero-calibration) 피험자 간 환경 및 데이터 부족 조건에서 뛰어난 성능을 보입니다. 이러한 결과는 LiteEMG-FM이 EMG 응용 분야에 효과적이고 효율적이며 배포 가능한 파운데이션 모델임을 입증합니다.

arXiv:2512.08379v2cs.AI

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.

arXiv:2607.19726v1cs.CV

설명 가능한 계산 모델링을 통한 통증 위치 특정의 탐색적 분석

An Exploratory Analysis of Pain Localization via Explainable Computational Modeling

자동 통증 위치 특정은 환자의 자기 보고 없이 말초 생리 신호로부터 통증의 해부학적 기원을 식별하는 것으로, 특히 비언어 환자에게 있어 임상적으로 중요하지만 대부분 다루어지지 않은 문제이다. 본 논문은 AI4Pain 2026 Challenge 데이터셋을 사용하여 피험자 독립적 3분류 통증 위치 특정에 대해 고전적 특징 공학과 심층 시퀀스 학습을 체계적으로 비교한다. 이 데이터셋은 통제된 TENS 유발 통증 하에서 65명의 참가자로부터 기록된 4가지 동기식 웨어러블 측정 방식—피부전도 활동(electrodermal activity), 혈량 맥파(blood volume pulse), 호흡(respiration), 말초 산소 포화도(peripheral oxygen saturation)—으로 구성된다. 시간 영역, 주파수 영역, 모달리티별, 교차 모달 기술자를 포괄하는 115차원 수작업 특징 집합을 엔드투엔드(end-to-end) 심층 아키텍처와 벤치마크한다. Extremely Randomized Trees가 0.539의 최고 macro-F1을 달성하여 최고의 심층 모델보다 7.4퍼센트포인트 높은 성능을 보였으며, EDA 스펙트럼 특징이 지배적 판별 요인으로 나타났다. 모든 모델에서 통증 탐지(F1 = 0.815)와 위치 특정(F1 = 0.552) 사이에 일관된 26포인트 격차가 나타나며, 이는 10초 해상도에서 말초 자율신경 경로의 해부학적 확산성에 의해 가해지는 근본적 상한을 시사한다.

arXiv:2607.09780v1cs.CV

실세계 웨어러블 모션 재구성을 향하여

Towards Real-World Wearable Motion Reconstruction

오늘날 웨어러블 기기의 급격한 인기 상승은 근본적으로 독특한 모션 캡처(motion capture) 문제를 제기한다: 특정 시점에 착용된 임의의 센싱 하드웨어 조합으로부터 전신 움직임을 재구성하는 것이다. 그러나 대부분의 연구는 고정된 센서 구성(예: IMU 슈트 또는 HMD 중심 리그)을 가정하며 이를 일반화하지 못한다. 이와 달리, 우리는 모션 캡처가 스마트폰, 스마트워치, 스마트 안경, 스마트 인솔과 같이 비침습적이고 경량인 기기를 우선시해야 하며, 이들 간의 상호작용을 연구해야 한다고 주장한다. 이를 위해 세 가지 기여를 제시한다. 첫째, 일상 작업, 스포츠, 사회적 상호작용을 포함한 50가지 다양한 활동에 걸쳐 이러한 소비자용 센서와 정답 3D 모션을 동기화한 대규모 멀티모달 데이터셋을 공개한다. 둘째, 가용 센서의 임의 부분집합으로부터 모션을 재구성하고 누락된 모달리티를 강건하게 처리하며 물리적으로 타당한 동작을 생성하는 기준선 생성 모델 WHIP을 제안한다. 셋째, 서로 다른 모달리티가 어떻게 상호 보완하는지를 정량화하는 센서 상보성(sensor complementarity)에 대한 체계적인 연구를 수행한다. 코드와 데이터셋은 https://vcai.mpi-inf.mpg.de/projects/WHIP/ 에서 이용 가능하다.

arXiv:2607.08007v1eess.SP

위상 nSCR 특징을 이용한 스트레스 감지를 위한 단위 독립적 저속 손목 GSR 처리

Unit-Independent Low-Rate Wrist GSR Processing for Stress Detection Using Phasic nSCR Features

손목 기반 GSR(피부 전기 반응)과 손바닥 기반 측정 간의 절대 진폭 불일치 문제를 해결하기 위해, 강건한 z-점수 정규화와 위상성 SCR 피크 검출을 결합한 단위 독립적 저속 GSR 처리 파이프라인을 제안하며 분당 피부 전도 반응 횟수(nSCR/min)를 스트레스 특징으로 추출한다. 31명의 참가자를 대상으로 Trier Social Stress Test(TSST)를 포함한 다양한 과제에서 검증한 결과, 25Hz 손목 GSR에 랜덤 포레스트를 적용해 TSST 대비 기준선 분류에서 균형 정확도 0.823~0.871을 달성하였으며, 25Hz 데이터가 원본 100Hz와 동등한 성능을 보여 웨어러블 스트레스 감지의 실용 가능성을 입증하였다.

arXiv:2607.07996v1eess.SP

산소포화도 추정을 위한 SpO₂ 예측기 유도 단계별 시간-주파수 기반 저품질 이중파장 PPG 재구성

SpO$_2$ Predictor-Guided Stage-Wise Time-Frequency Reconstruction of Low-Quality Dual-Wavelength PPG for Oxygen Saturation Estimation

저품질 이중파장 광혈류측정법(PPG) 신호의 산소포화도(SpO₂) 추정 정확도를 높이기 위해, 사전학습된 SpO₂ 예측기를 생리학적 제약으로 활용하는 단계별 시간-주파수 재구성 프레임워크를 제안한다. 시간 영역 손실과 STFT 기반 주파수 영역 손실을 결합한 마스킹 재구성 모델을 4단계로 최적화하여, OpenOximetry Repository 공개 데이터셋과 비공개 웨어러블 데이터셋에서 각각 MAE 2.882%, 2.359%로 최고 성능을 달성하였다.

arXiv:2502.00973v2cs.LG공식 코드 · Papers with Code

A Wearable Device Dataset for Mental Health Assessment Using Laser Doppler Flowmetry and Fluorescence Spectroscopy Sensors

레이저 도플러 혈류측정(LDF)과 형광 분광법(FS) 센서를 탑재한 웨어러블 기기를 활용해 19개국 132명의 손끝 미세혈류 및 조직 대사 신호를 수집하고, 이를 DASS-21 설문 기반 정신건강 상태와 비교한 데이터셋을 공개한다. 앙상블 기반 머신러닝 모델이 스트레스 증상 분류에서 ROC-AUC 0.72, PR-AUC 0.89를 달성하여 비침습적 정신건강 모니터링 도구로서의 가능성을 입증했다.

arXiv:2606.25116v1eess.AS

BCoughBench: Benchmarking Respiratory Acoustic Foundation Models Under Body-Coupled Wearable Sensor Conditions

Respiratory acoustic foundation models (FMs) are benchmarked exclusively on smartphone recordings, yet clinical deployment increasingly targets body-coupled (BC) wearables whose sensors attenuate high-frequency content through tissue and bone, leaving FM reliability uncharacterised. We introduce BCoughBench, evaluating five FMs (OPERA-CT/CE/GT, HeAR, M2D+Resp) on nine classification tasks (AUROC, sensitivity at 95% specificity, Expected Calibration Error) and three age regression tasks (MAE vs. a mean-predictor baseline) across five EBEN-simulated BC sensor conditions on five labeled cough datasets. Mean AUROC declines from 0.785 (smartphone) to 0.689-0.723, degrading most under temple vibration pickup ($Δ$ = -0.096) and least under the soft in-ear ($Δ$ = -0.062). No FM meets the clinical sensitivity threshold (Se@Sp95 $\geq$ 0.20) on most disease tasks under any BC sensor. Sex classification on the CIDRZ cohort collapses (AUROC 0.954 to 0.596-0.628, $Δ$ = -0.341) while COVID detection is nearly unaffected ($Δ$ = -0.004). Age regression is robust, improving under the forehead accelerometer on CoughVID (MAE 9.61 to 8.97 yr); HeAR leads on regression and demographic tasks, M2D+Resp on disease and characteristic tasks. BCoughBench provides a reproducible framework for FM evaluation under wearable conditions.

arXiv:2606.23705v1stat.AP

Event-Aligned Analysis of Multi-Rater Pain Assessments Using Continuous Wearable Physiology

Pain is assessed differently by patients, nurses, and clinicians, yet most computational approaches assume a single ground-truth label - effectively ignoring who is doing the rating. We introduce a rater-aware, event-aligned framework that converts sparse, rater-specific pain ratings into discrete pain-change events and aligns continuous wearable physiological signals to these events, preserving rater identity throughout. Applied to multimodal wearable data collected during spine-related pain procedures, the framework identifies substantial disagreement across rater groups and provides preliminary, exploratory evidence of rater-dependent physiological differences preceding reported pain increases. These findings suggest that pain-physiology relationships may not be rater-invariant, and that aggregating assessments across raters may mask meaningful physiological patterns. A rater-aware, event-aligned perspective is therefore a promising direction for interpreting wearable data in real-world clinical pain assessment.