Physiological signal Modeling for personalized analysis

개인화된 신호 해석을 위한 맥락 기반 생체 신호의 모델링 기법

With the advent of light-weight daily physiological signal monitoring sensors, intelligent inference and analysis method for physiological signal monitoring application, commercialized products and services are released. However, practical constraints still remain for daily physiological signal monitoring. Most devices provide rough health check function and analyze with randomly sampled measurements. In this work, we propose the probabilistic modeling of physiological signal analysis. This model represent the relationship between previous user measurement (history), other group`s type, model and current observation. From the experiment, we found that the personalized analysis with long term regular data shows reliable result and reduces the analyzing errors. In addition, participants agree that the personalized analysis shows reliable and adaptive information than other standard analysis method.

일상생활에서 활용 가능한 다양한 종류의 생체 신호 획득 및 분석 방법이 연구되고 있다. 기존의 생체 신호 분석 방법은 표준화된 임계치를 사용하여 해석한 결과를 제공하며 신호 측정 당시의 상황이 고려되지 않아 잡음 혹은 외부 환경의 영향을 받기 쉬운 단점이 있다. 본 논문에서는 생체 신호뿐만 아니라 기타 정황정보를 기반으로 하여 개인화된 신호를 분석하기 위한 모델(Personalized Decision Making method, PDM)을 제안한다. 개인화된 신호 해석 모델은 사용자의 맥락 정보, 사용자의 맥락 정보, 사용자의 나이, 성별, 현재의 몸 및 정신 상태, 음식 및 카페인의 섭취 여부, 측정 시간 및 측정 요일 등을 기반으로 각 맥락 간의 연관 관계를 나타내고, 이상적인 사용자의 생체 신호 예측치를 베이즈 정리를 기반으로 획득한다. 개인화된 해석 모델(ACM)을 통해 표준 임계치를 적용한 해석에 비해 인식의 정확도를 높일 수 있으며, 다양한 측정시의 조건을 알면 현재 사용자의 건강상태를 개인화된 분석과 유사한 정확도로 예측이 가능하다. 제안한 방법은 현재 관측된 관측치의 분포를 모르더라도, 현재 사용자의 상태를 맥락정보를 기반으로 하여 예측할 수 있으므로, 일반적인 데이터 모델을 기반으로 개개인에 맞는 얼굴 표정을 인식하는 연구 등에 활용이 가능하다.