한림대학교 뇌혈관질환선도연구센터, AI기반 최첨단 연구성과 다수 발표

<사진: (왼쪽부터) 박웅 석사과정, 이서영 석사과정, 김진원 석사과정, Abdul Karim 연구교수, 이성한 연구교수, 류세민 교수, 정인철 교수>

 한림대학교(총장 최양희) 정인철 교수(Healthcare Innovation Lab, HILAB)가 이끄는 연구팀이 다수의 인공지능(AI) 기반 헬스케어 분야에서 우수한 연구 성과를 거두며 학계의 주목을 받고 있다. 특히 이번 연구 성과들은 한림대학교 석사과정 학생들이 주도적으로 참여해 그 의미를 더했다.

 ▲ 박웅 석사과정생과 이성한 연구교수가 제1 저자로 참여한 공동 연구, ‘웨어러블 패치 기반의 다중모드 생체신호를 이용한 수면 단계 분류 연구’가 생의학과 컴퓨팅 분야의 세계적인 학술지 『Computers in Biology and Medicine 』(Impact Factor: 7.0, 분야 상위 2%) 2025년 09월호에 “ Patch-type wearable electrocardiography and impedance pneumography for sleep staging: A multi-modal deep learning approach”라는 제목으로 게재됐다.

 연구팀은 기존 수면 단계 판별이 다채널 (polysomnography, PSG)에 의존해 환자의 불편과 장비 제한이 따르는 문제를 지적했다. 이를 개선하기 위해 패치형 웨어러블 장비에서 얻은 심전도(electrocardiogram, ECG)와 임피던스호흡(impedance pneumography, IPG) 신호를 활용, 보다 간편하면서도 신뢰할 수 있는 수면 단계 분류 방식을 제안했다. 수면 장애를 가진 환자 92명의 데이터를 분석한 결과, 제안된 다중 모달 딥러닝 모델은 PSG 기반의 기존 분류 정확도에 근접하는 성능을 보였다.

 특히, 심전도와 호흡 신호의 특징을 통합적으로 해석함으로써 수면 단계별 중요 신호와 특징 간의 상관성을 명확히 규명할 수 있었으며, 이는 실시간 수면 모니터링과 임상 적용 가능성을 높이는 근거가 됐다.

 ▲ 김진원 석사과정생과 이성한 연구교수가 제1 저자로 참여한 공동 연구, ‘침대 일체형 하중센서와 손목 가속도계를 활용한 다중모드 낙상 감지 프레임워크’는 계측·센서 분야 국제 저명 학술지 『Measurement』(IF 5.6, 분야 상위 9%) 2025년 8월호에 “A Multi-Modal Fall Detection Framework: Leveraging Bed-Integrated Load Cells and Wrist Accelerometers”의 제목으로 게재됐다.

 연구진은 기존 낙상 감지 기술이 단일 센서 신호에 의존해 정확도가 낮거나 환경 제약이 따른다는 문제를 지적하고, 이를 보완하기 위해 침대 일체형 하중센서와 손목 가속도계를 함께 활용하는 다중모드 신호 분석 프레임워크를 제안했으며, 보다 신뢰할 수 있는 낙상 감지 방법을 마련했다. 총 실험 분석을 통해 하중센서 신호의 저주파(0–2 Hz) 대역이 낙상·비낙상 구분의 핵심 생체표지임을 확인했으며, 이를 통해 고령자의 낙상 사고 예방과 조기 대응을 위한 실질적 임상 적용 가능성을 제시했다.

 ▲ 이성한 연구교수와 Guangyao Zheng 박사과정생이 제1 저자로 참여한 공동연구, ‘실제 환경에서의 부정맥 검출을 위한 1차원 CNN 기반 최적 입력 방법 연구’가 “Optimizing Beat-Wise Input for Arrhythmia Detection Using 1-D Convolutional Neural Networks: A Real-World ECG Study”란 제목으로 『Computer Methods and Programs in Biomedicine』(IF 4.9, Q1) 2025년 9월호에 게재됐다.

 이번 연구는 Johns Hopkins University와 RICE University 연구진(공동 교신: Vladimir Braverman)과의 긴밀한 협력을 통해 진행했다. 연구팀은 실제 환경에서 수집된 장기 ECG 데이터를 기반으로, 부정맥 검출의 정확도를 좌우하는 최적의 심장박동 입력 길이를 규명하고 이를 1차원 CNN 구조에 적용함으로써 임상적 신뢰성을 확보했다.

 특히, 각 기관은 데이터 수집, 알고리즘 설계, 검증 실험 등에서 상호 보완적인 역할을 수행하여, 학제 간 융합 연구의 모범적 사례로 평가받고 있다.

 ▲ 이서영 석사과정생과 이성한 연구교수가 제 1저자로 참여한 공동연구, ‘CG 기반 인간 활동 인식을 위한 최적 윈도우 크기 분석 및 범용성 강화 연구’는 “Toward Real-World ECG-Based Human Activity Recognition: Optimal Window Size and Subject-Independent 1-D CNN Approach”란 제목으로 국제 저명 학술지인 『IEEE Sensors Journal』(IF 4.5, Q1) 2025년 8월호에 게재됐다.

 연구진은“ECG 기반 인간 활동 인식을 위한 최적 윈도우 크기 분석 및 범용성 강화 연구”을 통해 웨어러블 ECG 센서를 활용해 최적의 윈도우 크기를 분석하고, 피험자 간 차이를 최소화할 수 있는 범용 1차원 CNN 기반 딥러닝 모델을 제안했다.

 실제 환경에서 수집한 ECG 데이터를 분석한 결과, 제안된 모델은 다양한 활동 상황에서도 안정적으로 높은 인식 성능을 보였으며, 향후 일상생활 기반 건강 모니터링과 헬스케어 서비스 확장에 활용될 수 있음을 보여주었다.

 ▲ Abdul Karim 연구교수와 류세민 부교수가 공동 제1 저자로 참여한 연구, ‘생체 신호를 해부학적 부위에 따라 정확히 분류할 수 있는 심층학습 기반 스펙트로그램 분석 기술 개발’은 『Applied Sciences』(Impact Factor: 2.5, Q1)에 “Deep Learning-Enhanced Spectrogram Analysis for Anatomical Region Classification in Biomedical Signals”라는 제목으로 게재됐다.

 연구팀은 심층학습 기반 스펙트로그램 분석을 통해 생체 신호를 해부학적 부위별로 정확히 구분할 수 있음을 확인했으며, 신호 해석의 임상적 활용 가능성을 제시했다.

 또한, Abdul Karim 연구교수가 제1 저자로 참여한 후속 연구 ‘생체 신호를 고정밀로 분류할 수 있는 앙상블 학습 프레임워크 개발’은 『Scientific Reports』(Impact Factor: 3.9, Q1)에 “Ensemble Learning for Biomedical Signal Classification: A High-Accuracy Framework Using Spectrogram from Percussion and Palpation”이라는 제목으로 게재됐다. 해당 연구는 스펙트로그램 기반 앙상블 학습 기법을 적용해 신호 분류 정확도를 크게 향상시킴으로써, 고정밀 생체 신호 분석을 위한 기반을 마련했다.

 교신저자 정인철 교수는 “우리 연구실의 목표는 최신 AI 기술을 헬스케어에 접목해 의료의 질을 높이고 환자 중심의 맞춤형 건강관리를 실현하는 것”이라며 “특히 석사과정 학생들이 주도적으로 참여한 연구들이 좋은 결과를 얻어 기쁘고, 앞으로도 다양한 혁신적 연구를 지속적으로 수행할 것”이라고 소감을 밝혔다.

 한편, 이번 연구들은 과학기술정보통신부 한국연구재단(No. NR070859), 산업통상자원부 한국산업기술진흥원(P0019781, 2023년 산업기술혁신사업(국제공동기술개발사업))과 한림대학교 연구지원(HRF-202205-003)을 통해 수행됐다.