Biomedical Embedded AI
PPG–HRV Cognitive Load
Earlobe PPG acquisition부터 IBI·HRV feature construction, CNN+Transformer classification까지 timing integrity를 추적합니다.
논문과 코드 결과를 구분해 정리
01
문제 정의
PPG sample timing을 유지하면서 IBI·HRV 특징을 만들고 인지 과제 수행 상태 분류까지 연결하는 문제를 다뤘습니다.
02
Architecture
Earlobe PPG sensor·AFE → STM32 취득 → IBI·HRV preprocessing → CNN+Transformer 평가 → fold result와 paper metric 분리.
03
Hardware · Software
- PPG AFE
- STM32
- Python
- HRV
- CNN
- Transformer
04
Data Flow
PPG sample timing을 보존해 peak·IBI를 계산하고 HRV 특징과 sequence를 분류 모델에 전달합니다.
05
Methodology
- PPG acquisition timing과 peak-derived IBI 전처리
- Time-domain·frequency-domain HRV feature construction
- CNN+Transformer 평가와 조건별 결과 비교
06
Results
- 논문 보고 평균 AUC 0.85
- 논문 보고 F1-Score 0.82
- PPG·STM32·HRV·CNN end-to-end 연구 pipeline 구성
PPG sample timing을 유지하면서 IBI·HRV 특징을 만들고 인지 과제 수행 상태 분류까지 연결하는 문제를 다뤘습니다.
Earlobe PPG sensor·AFE → STM32 취득 → IBI·HRV preprocessing → CNN+Transformer 평가 → fold result와 paper metric 분리.
PPG acquisition timing과 peak-derived IBI 전처리
논문 보고 평균 AUC 0.85
구조와 결과 화면
내가 맡은 부분
- IBI·HRV preprocessing과 feature construction
- CNN+Transformer evaluation pipeline
- 논문 수치와 code archive의 5-fold 결과를 조건별로 비교
코드와 결과
- PPG AFE·STM32 firmware·Python source
- Fold 결과 CSV와 공개 논문 PDF
- Group-level aggregate 시각자료
남은 과제
논문 summary의 AUC/F1과 code archive의 5-fold metric은 평가 조건이 다릅니다. 다음에는 같은 dataset split과 metric 정의로 다시 실행해 직접 비교할 계획입니다.
프로젝트 자료
PPG peak에서 IBI와 HRV feature를 만들고 CNN·Transformer 모델을 비교했다. 논문 표의 수치와 별도 코드 실행에서 저장한 수치는 평가 조건이 달라 각각 적었다.