웨어러블 센서에서의 실시간 제스처 인식: 뉴로모픽 컴퓨팅의 혁신

Ding 박사 연구팀은 뉴로모픽 컴퓨팅 기반의 혁신적인 제스처 인식 시스템을 개발하여 웨어러블 센서에서의 실시간 처리 가능성을 입증했습니다. 회전 뉴런 저수지(RNR) 기반의 물리적 저수지 컴퓨팅(PRC) 프레임워크를 활용하여 높은 정확도를 달성했으며, 향후 스마트 헬스케어 등 다양한 분야에 혁신을 가져올 것으로 기대됩니다.

웨어러블 건강 기기 시장의 급성장과 함께 실시간 생체 신호 처리 기술의 중요성이 날로 높아지고 있습니다. 하지만 기존의 방법들은 에지 기기에서 수집된 데이터를 중앙 처리 장치로 전송해야 하며, 상당한 컴퓨팅 자원을 필요로 한다는 한계를 가지고 있습니다. 이러한 문제를 해결하기 위해 등장한 것이 바로 뉴로모픽 컴퓨팅입니다. 인간 두뇌의 구조와 기능에서 영감을 얻은 뉴로모픽 컴퓨팅은 지연 시간과 전력 소비를 획기적으로 줄일 수 있는 잠재력을 가지고 있습니다.

Ding 박사 연구팀은 표면 근전도(sEMG) 데이터를 활용한 제스처 인식에 뉴로모픽 컴퓨팅을 적용하는 혁신적인 연구를 발표했습니다. 연구팀은 회전 뉴런 저수지(Rotating Neuron Reservoir, RNR) 라는 간단하고 하드웨어 친화적인 물리적 저수지 컴퓨팅(Physical Reservoir Computing, PRC) 프레임워크를 스파이킹 신경망(SNN)에 구현하여 실시간 처리를 가능하게 했습니다. 이 스파이킹 RNR (sRNR)은 센서 수준에서 직접 저지연 실시간 처리를 가능하게 하는 콤팩트 임베디드 웨어러블 시스템을 위한 혁신적인 솔루션입니다.

연구팀은 공개적으로 접근 가능한 대규모 sEMG 데이터베이스를 사용하여 제안된 시스템을 검증했습니다. 그 결과, 기존 기계 학습 분류기를 사용했을 때 74.6%의 평균 분류 정확도를, 델타 학습 규칙 알고리즘을 사용했을 때는 80.3%의 정확도를 달성했습니다. 특히, 델타 학습 규칙은 뉴로모픽 칩에서 완전히 스파이킹 방식으로 구현될 수 있다는 점에서 큰 의미를 가집니다.

이 연구는 센서 근처에서의 저지연 처리를 가능하게 함으로써, 웨어러블 기기의 성능과 활용도를 크게 높일 수 있는 가능성을 제시합니다. 이는 향후 스마트 헬스케어, 인간-컴퓨터 상호 작용 등 다양한 분야에서 혁신적인 발전을 가져올 것으로 기대됩니다. 하지만, 더욱 정확하고 다양한 제스처를 인식하기 위한 추가적인 연구가 필요하며, 실제 상용화를 위해서는 에너지 효율과 내구성에 대한 검증도 중요한 과제로 남아있습니다.