전자기 내비게이션 시스템 모델링 랜덤 포레스트와 인공 신경망 활용

본 연구는 의료용 전자기 내비게이션 시스템(eMNS)의 자기장 모델링 정확도를 향상시키기 위해 두 가지 머신러닝 기법, 랜덤 포레스트(RF)와 인공 신경망(ANN)을 적용하였다. 기존의 선형 다중극 모델(LMEM)은 전자석 코어의 포화 현상을 무시하고 전류와 자기장을 선형 관계로 가정하기 때문에, 고전류 구간에서 큰 오차를 발생시킨다. 이를 극복하고자 저자들은 8개의 전자석과 125개의 3‑축 홀 센서를 이용해 3 590개의 무작위 전류 조합을 적용하고, 총 427 210개의 샘플(위치, 전류, 3‑차원 자기장)을 수집하였다. 데이터 전처리 과정에서 전류와 위치는 0~1 사이로 min‑max 스케일링했으며, 측정 노이즈는 평균 169 mA(전류)와 148 µT(자기장) 수준으로 평균화하였다. 학습·테스트 셋은 9:1 비율로 분할되었고, LMEM은 기존 연구와 동일하게 전류를 5 A 이하로 제한한 데이터를 사용해 기준 모델을 구축하였다. RF 모델은 scikit‑learn을 이용해 100개의 트리, 최대 깊이 25, 최대 특성 5개 등 최적 하이퍼파라미터를 선정하였다. ANN 모델은 Keras 기반으로 입력 11차원(위치 3 + 전류 8), 은닉층 3개(100‑50‑25 뉴런), tanh 활성화, 출력 3차원(자기장) 구조를 채택했으며, Adam 옵티마이저와 0.001 학습률, 배치 크기 128, 최대 50 epoch, 조기 종료를 적용하였다. 성능 평가는 R²와 RMSE(성분별 및 전체 크기) 두 지표를 사용했다. LMEM은 성분별 R² ≈ 0.75, 크기 R² ≈ 0.29에 그쳤으며, 최소 14 mT의 성분별 RMSE와 24 mT의 크기 RMSE를 보였다. 반면 RF는 성분별 R² > 0.85, 크기 R² ≈ 0.74, RMSE를 약 30 % 개선했으며, ANN은 거의 완벽에 가까운 R² ≈ 0.99와 80 % RMSE 감소를 달성했다. 특히 전류가 30~35 A인 고전류 구간에서 ANN은 LMEM 대비 35 mT 이상의 오차 감소를 기록, 포화 영역에서 머신러닝 모델의 우수성을 입증했다. 전류 구간별 분석에서는 LMEM의 성능이 전류가 증가함에 따라 급격히 저하되는 반면, RF와 ANN은 비교적 안정적인 R²를 유지했다. 저전류 구간에서는 LMEM과 ANN이 비슷한 성능을 보였고, 고전류 구간에서는 두 머신러닝 모델이 모두 LMEM을 크게 앞섰다. 공간적 오류 분포를 MAPE로 평가한 결과, ANN이 모든 센서 위치에서 가장 낮은 오류를 보였으며, RF는 LMEM보다 약간 우수했지만 여전히 ANN에 뒤처졌다. 학습 데이터 양을 10 %에서 90 %까지 변화시킨 추가 실험에서는 두 모델 모두 데이터가 많을수록 정확도가 향상됨을 확인했다. 특히 RF는 데이터 양에 민감하게 성능이 상승했으며, ANN은 비교적 적은 데이터에서도 안정적인 결과를 제공했다. 결론적으로, 본 논문은 eMNS의 비선형 자기장 모델링에 머신러닝을 적용함으로써 기존 물리 기반 선형 모델을 크게 능가하는 정확도를 달성했으며, 특히 고전류 포화 영역에서 실용적인 이점을 제공한다. 이러한 접근은 실시간 제어, 로봇 위치 추정, 그리고 다양한 임상 적용에 있어 보다 정밀한 자기장 예측을 가능하게 하여, 차세대 자기 기반 수술 로봇 및 캡슐 내시경 시스템의 성능 향상에 기여할 것으로 기대된다.