고도산증 실시간 탐지를 위한 초고차원 컴퓨팅 기반 웨어러블 솔루션

초록

**
본 논문은 착용형 디바이스에서 수집되는 심박, 산소포화도, 호흡률 등 생리신호를 이용해 급성 고도산증(AMS)을 실시간으로 판별하는 초고차원 컴퓨팅(HDC) 프레임워크인 AMS‑HD를 제안한다. 맞춤형 특징 추출과 Hadamard 기반 초고차원 벡터 인코딩을 통해 기존 머신러닝 모델과 동등한 정확도를 유지하면서 메모리·전력 소모를 크게 줄였으며, 모바일 CPU, FPGA, ASIC 등 다양한 하드웨어에 최적화된 양극·이진 구현을 제공한다.

**

상세 분석

**
AMS‑HD는 초고차원 컴퓨팅(HDC)의 벡터 심볼릭 아키텍처를 기반으로, 저전력·저메모리 환경에 최적화된 두 가지 연산 모드를 설계하였다. 첫 번째는 모바일 프로세서에 적합한 ‘양극(−1/+1)’ 연산으로, 부호가 있는 벡터를 사용해 높은 표현력을 유지하면서도 부동소수점 연산을 최소화한다. 두 번째는 FPGA·ASIC 등 하드웨어 가속기에 적합한 ‘이진(0/1)’ 연산으로, XOR와 시프트만으로 인코딩·바인딩·버딩을 수행해 논리 게이트 수준에서 구현 가능하게 한다.

특징 추출 단계에서는 상호 정보(MI) 기반 선택을 적용해 SpO₂, HR, 혈압, CO 농도, 헤마토크리트 등 7개의 핵심 바이오마커를 선정하였다. 이후 위치 인코딩(positional encoding)과 Hadamard 행렬을 활용한 초고차원 투영을 수행함으로써, 각 특성값을 수천 차원의 거의 직교인 하이퍼벡터(HV)로 변환한다. 이 과정에서 기존 LFSR 기반 무작위 HV 생성보다 낮은 불일치(discrepancy)를 보이는 quasi‑random Sobol 시퀀스를 도입해 잡음 내성을 강화하였다.

학습은 클래스별 HV를 누적 합산하는 ‘버딩(bundling)’ 방식으로 진행되며, 메모리 요구량은 클래스 수에 비례하는 수백 비트 수준에 머문다. 추론 시에는 쿼리 HV와 각 클래스 HV 간의 내적(dot product) 혹은 해밍 거리 기반 유사도 계산을 통해 가장 높은 점수를 가진 클래스를 선택한다. 이러한 연산은 모두 병렬화가 용이하고, 하드웨어 레벨에서 1‑cycle 연산으로 구현 가능하다.

실험에서는 공개 데이터셋(Pham et al.)을 이용해 이진(AMS/No‑AMS) 및 3‑클래스(저·중·고 위험) 분류를 수행하였다. 결과는 SVM, 랜덤 포레스트, LSTM 등 기존 ML 모델과 비교했을 때 0.2%~1.5% 수준의 정확도 차이만 보였으며, 전력 소비는 모바일 CPU 기준 5배 이하, FPGA 구현에서는 0.8 mW 수준으로 크게 절감되었다. 또한 지연 시간(Latency)은 모바일 환경에서 2 ms 미만, FPGA에서는 0.5 µs 이하로 실시간 요구사항을 충분히 만족한다.

한계점으로는 현재 데이터가 실험실 환경에서 수집된 정형 데이터에 국한되어 있어, 실제 등산·고산 환경에서 발생하는 잡음·패킷 손실 등에 대한 내성이 추가 검증이 필요하다. 또한, 현재는 7개의 바이오마커에만 의존하고 있어, 환경 변수(기압, 온도)와의 융합이 향후 성능 향상의 열쇠가 될 것으로 보인다.

**