흥미로운 연구 소개 감사합니다. 11:48에서 wavelet reconstruction 시 2 Hz의 high resolution이 일반적으로 포함되는 과정인가요? 또한, 16:08에서 identity block과 convolution block으로 구분되어 있는데, 구조는 거의 비슷한 것으로 보입니다. 여기서 identity block과 convolution block의 역할이나 기능이 따로 있나요? 마지막으로, 22:15의 (F) weight-based multi-model fusion과 본 논문에서 제안한 Choquet integral multi-model fusion 사이에 구조적으로 어떤 차이가 있는지 궁금합니다. 별개로, 13:00에서 SM과 SE에 대한 full name이 없는데 앞에서도 언급이 안되었던 걸로 기억합니다. 이런 경우 full name으로 적어주면 좋을 것 같네요. 감사합니다.
좋은 질문 감사합니다. 1. 일반적인 DWT에서는 분해만 수행하나,논문에서는 별개로 신호 품질 향상을 위해 resolution을 높여 재구성한 것으로 보입니다. 2. model 내 Block 들의 기능은 skip connection을 통해 학습을 안정화 시켜주게 되며, convolution block의 경우 skip connection 시 conv layer 추가해 차원을 늘려주게 됩니다. 3. 마지막으로 weight-based multi-model fusion의 경우 고정된 가중치를 부여하지만, Choquet integral multi-model fusion은 전단계인 ML(random forest, bagging, gradient boosting) 결과를 기반으로 조정된 가중치를 부여하게 됩니다. 이는 ML에서 특징을 잘 뽑아낼수록(좋은 성능일수록) 혈당 예측에 더 많은 영향을 주도록 계산된 모델이라고 보시면 됩니다. 추가적으로 주신 코멘트는 참고하여 다음 저널미팅부터 신경 써 만들도록 하겠습니다..! 감사합니다.
좋은 발표 감사합니다. 15:52에서 모델 input은 ecg나 ppg둘중 하나인가요? 아니면 concat해 들어가나요? 이후 모델 후반부 모듈4개에 identity block이 각각 2,3,5,2개 들어간다고 설명해주셨는데 4개의 모듈을 직렬로 연속해 통과하는 것일까요..? 아니면 병렬구조로 따로 통과해 합쳐져 output feature가 되는 것일까요? 시계열 신호 모델인데도 depth가 상당히 깊어보이는데 ecg와ppg가 최대 16개의 conv layer를 통과할정도로 복잡한 신호인지, 아니면 다른 이유가 있는지 궁금합니다. 감사합니다.
좋은 질문 감사합니다. 먼저 input으로 segment 된 PPG 혹은 ECG 신호 하나가 입력되게 되며, 4개의 모듈은 서로 직렬로 연결되어 4번째 모듈의 마지막 layer가 모델의 output이 됩니다 해당 구조는 Resnet 모델인데, ECG 기반 CNN model로는 Resnet과 같은 depth가 깊은 모델을 활용한 연구들이 많이 존재하는 것을 보아, 해당 논문 내 모델 구조는 합리적이라고 봤습니다..! 또한, skip connection이 있기에 논문 내 결과에서도 loss가 높아지지 않고 좋은 성능을 보인 것 같습니다. 감사합니다.
흥미로운 연구 소개 감사합니다. ECG와 PPG를 같이 사용한 점이 인상적이였습니다. 저도 현재 여러가지 생체 신호를 결합하여 연구한 논문을 탐색하고 있는데, 이와 관련하여 해당 분야에서 ECG와 PPG 이외의 다른 생체 신호를 사용하는 경우는 어떤 것이 있을지 궁금합니다. 감사합니다.
좋은 질문 감사합니다. 비침습적 혈당 모니터링 시스템 분야에서는 바이오마커로 간질액, 타액, 눈물, 땀, 소변 등을 활용한다거나 마이크로니들 패치를 통한 혈당 센서 및 인슐린 주입 연구까지 진행된 것을 확인하였습니다. 또한, 광학적인 방법으로 PPG 외에도 NIR, MIR를 사용하는 등 많은 연구들이 진행되고 있습니다. 감사합니다.
좋은 발표 감사합니다. 제가 이해를 잘 못해서 드리는 질문인데요, 21:48 아래의 결과를 보면, Zone A, Zone A+B 라고 적혀있는데, 이게 모델이 분류를 했을 때 해당 영역 안에 들어온다는 걸 의미하는 건가요?그리고 Parkes error grid를 보면 축의 값들이 2.78 단위로 되어있는데, 이 값은 그냥 임의로 설정해주는 건가요? 그리고 parkes error grid 분석법이 혈당 연구에서 많이 사용된다고 하셨는데, 혈당 측정기의 임상적 정확도를 판단하는 데에 해당 방법이 가장 적합하다고 여겨지는 이유가 따로 있는지도 궁금합니다.
좋은 질문 감사합니다. 1. 결과 표에서는 이해하신 것이 맞으며, 정확하게는 제안한 모델 내 CV fold 별 각각의 data(ECG, PPG, ECG+PPG)와 CGM 기기 간의 error grid 분석을 통한 Zone A, Zone A+B 내 들어온 비율입니다. 2. 해당 분석에서의 축은 실험에서 측정된 혈당 범위인 2.2 ~ 22.2 mol/L을 기준으로 하고 A,B,C,D,E 범위를 나누는 것은 해당 방법을 통해 수행됩니다만 범위를 가르는 정확한 수치를 찾진 못하였습니다.. 3. 일반적인 성능 평가 방법은 오차의 절대값 또는 백분율로 계산되기에 혈당 농도에 따른 검사결과의 임상적 중요도를 반영하지 못한다고 합니다. 이에 5개 오류 영역(zone A, B, C, D, E)을 평가하는 error grid 분석이 혈당 연구에 많이 사용되며, 실제 지침서 ISO15197(당뇨병 내 혈당 감시 시스템)에서도 기존 혈당측정기와 새로운 혈당측정기 간의 평가로 error grid 분석을 사용할 것을 권하고 있습니다. 감사합니다.
좋은 발표 감사합니다. ECG와 PPG의 temporal한 특성 뿐 아니라 spatial 특성을 이용한 부분이 생소하면서 흥미로운 것 같습니다. ECG는 많이 다루어보지 않아 spatial한 특성에 대해 좀 생소한데, 어떤 특성을 이용한 것인지 간단하게 설명해주실 수 있을까요? EEG처럼 구역별 차이를 나타내는건 아닌 것 같아서요. 감사합니다.
좋은 발표 감사합니다. ECG와 PPG를 동시에 활용하는 점이 흥미로웠습니다. 다만, PPG나 ECG 중 하나만 측정하더라도 다른 지표의 추정이 가능한 것으로 알고 있는데, 두 신호를 같이 측정하는 번거로움을 가질 만큼 큰 이점이 있는지 명확하지 않아 이에 두 지표를 함께 사용하여 얻을 수 있는 이점들에 대해 질문드립니다. 감사합니다.
좋은 질문 감사합니다. 논문에서 따로 언급은 없었으나 제가 생각하기로 해당 연구에서는 두 신호는 각각의 센서로 측정 되었지만 두 신호 모두 웨어러블 기기를 통해 측정 가능하다는 점을 고려해볼 때, 신뢰성과 정확도 면에서 더 향상된 모델을 구축할 수 있다는 점이 이점이라 생각합니다. 감사합니다.
좋은 발표 감사합니다. ECG와 PPG가 거의 동일하게 심박수를 측정하는 것으로 알고있는데, 두 신호를 함께 사용하는 부분은 생소하여 흥미롭게 들었습니다. 특히 ECG의 경우 PQRST 파형으로 인해 다양한 feature가 추출 가능하지만, PPG의 경우 상대적으로 peak만 추출이 가능하여 대부분의 연구에서 HRV (PRV)만 사용하였기에 함께 사용함으로써 성능이 향상되는 부분의 근거가 궁금하네요. 특히나 본 연구에서는 이러한 HRV feature는 사용하지 않고, 대부분이 non-linear feature를 사용하였기에 ECG와 PPG 간의 complexity의 차이가 있는것인지 이러한 부분의 언급이 있는지 궁금합니다.
좋은 질문 감사합니다. 논문에서 complexity 차이가 있어 연구를 이러한 방향으로 수행했다 등의 명확한 언급은 없었습니다만, 말씀주신 것처럼 HRV feature가 아닌 대부분의 feature가 구조적인 형태를 보고자 한 것에서 ECG 및 PPG 내 complexity 간의 차이를 반영하고자 한 듯 합니다. 감사합니다.
재미있는 연구 소개 감사합니다. 엄청나게 대규모의 데이터를 측정한 연구네요. 특징은 보통 ECG에서 사용하는 RR interval이나 peak 값을 사용하지 않은 점이 조금은 의아한 부분도 있는 것 같습니다. 몇 가지 궁금한 점이 있는데, 물론 ECG와 PPG는 신호를 측정하는 원리도 다르고 모양도 다르지만 심박과 관련된 데이터를 측정하는 modality이라는 점은 동일할 것 같은데 이 두개의 신호를 융합한 것만으로 성능이 향상된 이유가 뭘까요?? 결과적으로는 성능이 오르긴했지만 결국 해석이 필요한게 아닌가 하는 생각이 들어서요. 모델을 보면 temporal feature 라인에서는 consecutive segment라는 표현을 쓰고 spatial feature 라인에서는 individual segments라는 표현을 썼는데, 두 방법은 어떤 차이가 있는 건가요? 그리고 그렇게 진행한 이유가 뭔지 궁금합니다.
좋은 질문 감사합니다. 먼저, 혈당 내 개인차가 크다는 것을 언급하며 ECG 및 PPG를 사용하여 개인 간의 변동성을 최소화할 수 있다고 언급하였습니다만. 말씀주신 것처럼 왜 이 두 신호를 융합한 것이며, 각각 혈당에 어떠한 영향을 주기에 성능이 올랐는 지에 대한 구체적인 언급은 없었습니다. 추가로, temporal에서는 20개의 연속된 심박으로 데이터를 구성하여, 시간적 상관성을 분석하고자 하였고, spatial에서는 1개의 심박(heartbeat)으로 구성된 데이터를 모델에 입력하여, 개별 심박 내 형태적인 특징을 보고자 하였습니다. 감사합니다.
흥미로운 연구 소개 감사합니다. 한 가지 궁금한 점은, spatial feature 같은 경우에는 DWT 수행 후, 간단하게 추출했는데 temporal feature만 model을 활용해서 feature extraction과 selection을 수행했는데, temporal과 spatial feature를 추출 및 선택하는 과정을 다르게 진행한 특별한 이유가 있는지 궁금합니다.
좋은 질문 감사합니다. 직접적으로 temporal과 spatial feature를 추출 및 선택 과정을 달리한 이유에 대해 언급하진 않았습니다만 temporal feature로는 20개의 연속된 데이터를 넣어 시간적으로 상관성이 있는 특징들을 추출하고자 하였고, spatial feature에서는 1개의 심박을 모델에 입력하여, 개별 심박 내 형태적인 특징을 보고자 하였다고 합니다. 논문에서는 특징에 대한 설명과 해당 특징 기법들을 선택한 이유를 자세히 설명하지 않고 있는데, 이러한 설명들이 있으면 더 설득력 있는 논문이 되었을 것 같습니다. 감사합니다.
흥미로운 연구 소개 감사합니다. 첫번째 결과에서 처음에 ECG 결과 PPG 결과 ECG+PPG결과를 보여줫었는데 +결과에서 두개를 합친게 훨씬 좋은 성능을 보였다고 말씀해주셨는데 사실 ZONE A+B만 봤을때는 훨씬 좋은 성능이라 하기엔 ECG나 PPG 둘다 따로 써도 거의 100가까운 결과를 보이기에 이것이 훨씬이라고 부를정도의 의미가 있나 싶은데 이것에 대해 어떻게 논의를 하고 있는지 궁금합니다 .감사합니다.
좋은 질문 감사합니다. Zone A+B에서는 모두 높은 성능을 보였지만, error grid 분석에서 B의 범위 내에 있다는 것은 치료의 오류가 발생하지 않는 범위로 혈당 기기로써의 사용 가능하다 정도이지만, A의 범위 내에 있는 것은 임상적으로 정확한 범위에 속한다로 정의됩니다. 이에 zone A의 ECG+PPG 결과에서 다수가 80%를 넘으며 유의미한 값을 가지기에 훨씬 좋은 성능이라고 봤습니다.! 감사합니다.
좋은 발표 감사합니다. PPG와 ECG는 peak의 간격이나 진폭 등 서로 공유하는 지표가 많아, 보다 측정이 간편한 PPG 신호를 이용하여 ECG를 생성하는 등의 연구가 진행되는 것으로 알고 있습니다. 본 연구에서 ECG와 PCG를 결합했을 때 성능이 가장 높지만, 단일 신호를 사용한 결과 대비 통계적으로 유의미하게 높지 않은 것 같아서, 두가지 신호를 사용했을 때 얻을 수 있는 장점이 무엇인지 궁금합니다. 감사합니다
좋은 질문 감사합니다. 논문에서 따로 언급은 없었으나 제가 생각하기로 ECG와 PPG 두 신호 모두 웨어러블 기기를 통해 측정 가능하다는 점을 고려해볼 때, 신뢰성과 정확도 면에서 더 향상된 모델을 구축할 수 있다는 점에서 의의가 있을 듯 합니다. 또한, 논문에서 언급하기로 ECG와 PPG를 결합한 선행된 연구는 많이 없다고 합니다. 그럼에도 이를 혈당 예측 연구에 적용하여 당뇨 모니터링 기기로의 효용성을 확인한 부분에서 의미가 있다고 봤습니다. 감사합니다.
![[저널 미팅] Electrophysiological activity pattern of mouse hippocampal CA1 and dentate gyrus](http://i.ytimg.com/vi/09woc7JvXa4/mqdefault.jpg)
흥미로운 연구 소개 감사합니다. 11:48에서 wavelet reconstruction 시 2 Hz의 high resolution이 일반적으로 포함되는 과정인가요? 또한, 16:08에서 identity block과 convolution block으로 구분되어 있는데, 구조는 거의 비슷한 것으로 보입니다. 여기서 identity block과 convolution block의 역할이나 기능이 따로 있나요? 마지막으로, 22:15의 (F) weight-based multi-model fusion과 본 논문에서 제안한 Choquet integral multi-model fusion 사이에 구조적으로 어떤 차이가 있는지 궁금합니다.
별개로, 13:00에서 SM과 SE에 대한 full name이 없는데 앞에서도 언급이 안되었던 걸로 기억합니다. 이런 경우 full name으로 적어주면 좋을 것 같네요. 감사합니다.
좋은 질문 감사합니다.
1. 일반적인 DWT에서는 분해만 수행하나,논문에서는 별개로 신호 품질 향상을 위해 resolution을 높여 재구성한 것으로 보입니다.
2. model 내 Block 들의 기능은 skip connection을 통해 학습을 안정화 시켜주게 되며, convolution block의 경우 skip connection 시 conv layer 추가해 차원을 늘려주게 됩니다.
3. 마지막으로 weight-based multi-model fusion의 경우 고정된 가중치를 부여하지만, Choquet integral multi-model fusion은 전단계인 ML(random forest, bagging, gradient boosting) 결과를 기반으로 조정된 가중치를 부여하게 됩니다. 이는 ML에서 특징을 잘 뽑아낼수록(좋은 성능일수록) 혈당 예측에 더 많은 영향을 주도록 계산된 모델이라고 보시면 됩니다.
추가적으로 주신 코멘트는 참고하여 다음 저널미팅부터 신경 써 만들도록 하겠습니다..! 감사합니다.
좋은 발표 감사합니다. 15:52에서 모델 input은 ecg나 ppg둘중 하나인가요? 아니면 concat해 들어가나요? 이후 모델 후반부 모듈4개에 identity block이 각각 2,3,5,2개 들어간다고 설명해주셨는데 4개의 모듈을 직렬로 연속해 통과하는 것일까요..? 아니면 병렬구조로 따로 통과해 합쳐져 output feature가 되는 것일까요? 시계열 신호 모델인데도 depth가 상당히 깊어보이는데 ecg와ppg가 최대 16개의 conv layer를 통과할정도로 복잡한 신호인지, 아니면 다른 이유가 있는지 궁금합니다.
감사합니다.
좋은 질문 감사합니다. 먼저 input으로 segment 된 PPG 혹은 ECG 신호 하나가 입력되게 되며, 4개의 모듈은 서로 직렬로 연결되어 4번째 모듈의 마지막 layer가 모델의 output이 됩니다
해당 구조는 Resnet 모델인데, ECG 기반 CNN model로는 Resnet과 같은 depth가 깊은 모델을 활용한 연구들이 많이 존재하는 것을 보아, 해당 논문 내 모델 구조는 합리적이라고 봤습니다..! 또한, skip connection이 있기에 논문 내 결과에서도 loss가 높아지지 않고 좋은 성능을 보인 것 같습니다. 감사합니다.
흥미로운 연구 소개 감사합니다. ECG와 PPG를 같이 사용한 점이 인상적이였습니다. 저도 현재 여러가지 생체 신호를 결합하여 연구한 논문을 탐색하고 있는데, 이와 관련하여 해당 분야에서 ECG와 PPG 이외의 다른 생체 신호를 사용하는 경우는 어떤 것이 있을지 궁금합니다. 감사합니다.
좋은 질문 감사합니다. 비침습적 혈당 모니터링 시스템 분야에서는 바이오마커로 간질액, 타액, 눈물, 땀, 소변 등을 활용한다거나
마이크로니들 패치를 통한 혈당 센서 및 인슐린 주입 연구까지 진행된 것을 확인하였습니다. 또한, 광학적인 방법으로 PPG 외에도 NIR, MIR를 사용하는 등 많은 연구들이 진행되고 있습니다. 감사합니다.
좋은 발표 감사합니다. 제가 이해를 잘 못해서 드리는 질문인데요, 21:48 아래의 결과를 보면, Zone A, Zone A+B 라고 적혀있는데, 이게 모델이 분류를 했을 때 해당 영역 안에 들어온다는 걸 의미하는 건가요?그리고 Parkes error grid를 보면 축의 값들이 2.78 단위로 되어있는데, 이 값은 그냥 임의로 설정해주는 건가요? 그리고 parkes error grid 분석법이 혈당 연구에서 많이 사용된다고 하셨는데, 혈당 측정기의 임상적 정확도를 판단하는 데에 해당 방법이 가장 적합하다고 여겨지는 이유가 따로 있는지도 궁금합니다.
좋은 질문 감사합니다.
1. 결과 표에서는 이해하신 것이 맞으며, 정확하게는 제안한 모델 내 CV fold 별 각각의 data(ECG, PPG, ECG+PPG)와 CGM 기기 간의 error grid 분석을 통한 Zone A, Zone A+B 내 들어온 비율입니다.
2. 해당 분석에서의 축은 실험에서 측정된 혈당 범위인 2.2 ~ 22.2 mol/L을 기준으로 하고 A,B,C,D,E 범위를 나누는 것은 해당 방법을 통해 수행됩니다만 범위를 가르는 정확한 수치를 찾진 못하였습니다..
3. 일반적인 성능 평가 방법은 오차의 절대값 또는 백분율로 계산되기에 혈당 농도에 따른 검사결과의 임상적 중요도를 반영하지 못한다고 합니다.
이에 5개 오류 영역(zone A, B, C, D, E)을 평가하는 error grid 분석이 혈당 연구에 많이 사용되며, 실제 지침서 ISO15197(당뇨병 내 혈당 감시 시스템)에서도 기존 혈당측정기와 새로운 혈당측정기 간의 평가로 error grid 분석을 사용할 것을 권하고 있습니다.
감사합니다.
좋은 발표 감사합니다.
ECG와 PPG의 temporal한 특성 뿐 아니라 spatial 특성을 이용한 부분이 생소하면서 흥미로운 것 같습니다.
ECG는 많이 다루어보지 않아 spatial한 특성에 대해 좀 생소한데, 어떤 특성을 이용한 것인지 간단하게 설명해주실 수 있을까요? EEG처럼 구역별 차이를 나타내는건 아닌 것 같아서요.
감사합니다.
좋은 질문 감사합니다. 개인마다 PQRST 파형들이 나타내는 형태(신호의 높이, 폭, 각도)가 각기 다르며 이러한 구조적인 특성을 이용한 것이라고 보시면 됩니다. 이에 논문에서는 model을 통해 개별 파형의 구체적인 형태의 변화를 분석하였습니다. 감사합니다.
좋은 발표 감사합니다.
ECG와 PPG를 동시에 활용하는 점이 흥미로웠습니다. 다만, PPG나 ECG 중 하나만 측정하더라도 다른 지표의 추정이 가능한 것으로 알고 있는데, 두 신호를 같이 측정하는 번거로움을 가질 만큼 큰 이점이 있는지 명확하지 않아 이에 두 지표를 함께 사용하여 얻을 수 있는 이점들에 대해 질문드립니다.
감사합니다.
좋은 질문 감사합니다. 논문에서 따로 언급은 없었으나 제가 생각하기로 해당 연구에서는 두 신호는 각각의 센서로 측정 되었지만 두 신호 모두 웨어러블 기기를 통해 측정 가능하다는 점을 고려해볼 때, 신뢰성과 정확도 면에서 더 향상된 모델을 구축할 수 있다는 점이 이점이라 생각합니다. 감사합니다.
좋은 발표 감사합니다.
ECG와 PPG가 거의 동일하게 심박수를 측정하는 것으로 알고있는데, 두 신호를 함께 사용하는 부분은 생소하여 흥미롭게 들었습니다. 특히 ECG의 경우 PQRST 파형으로 인해 다양한 feature가 추출 가능하지만, PPG의 경우 상대적으로 peak만 추출이 가능하여 대부분의 연구에서 HRV (PRV)만 사용하였기에 함께 사용함으로써 성능이 향상되는 부분의 근거가 궁금하네요.
특히나 본 연구에서는 이러한 HRV feature는 사용하지 않고, 대부분이 non-linear feature를 사용하였기에 ECG와 PPG 간의 complexity의 차이가 있는것인지 이러한 부분의 언급이 있는지 궁금합니다.
좋은 질문 감사합니다. 논문에서 complexity 차이가 있어 연구를 이러한 방향으로 수행했다 등의 명확한 언급은 없었습니다만, 말씀주신 것처럼 HRV feature가 아닌 대부분의 feature가 구조적인 형태를 보고자 한 것에서 ECG 및 PPG 내 complexity 간의 차이를 반영하고자 한 듯 합니다. 감사합니다.
재미있는 연구 소개 감사합니다. 엄청나게 대규모의 데이터를 측정한 연구네요. 특징은 보통 ECG에서 사용하는 RR interval이나 peak 값을 사용하지 않은 점이 조금은 의아한 부분도 있는 것 같습니다.
몇 가지 궁금한 점이 있는데, 물론 ECG와 PPG는 신호를 측정하는 원리도 다르고 모양도 다르지만 심박과 관련된 데이터를 측정하는 modality이라는 점은 동일할 것 같은데 이 두개의 신호를 융합한 것만으로 성능이 향상된 이유가 뭘까요?? 결과적으로는 성능이 오르긴했지만 결국 해석이 필요한게 아닌가 하는 생각이 들어서요.
모델을 보면 temporal feature 라인에서는 consecutive segment라는 표현을 쓰고 spatial feature 라인에서는 individual segments라는 표현을 썼는데, 두 방법은 어떤 차이가 있는 건가요? 그리고 그렇게 진행한 이유가 뭔지 궁금합니다.
좋은 질문 감사합니다. 먼저, 혈당 내 개인차가 크다는 것을 언급하며 ECG 및 PPG를 사용하여 개인 간의 변동성을 최소화할 수 있다고 언급하였습니다만.
말씀주신 것처럼 왜 이 두 신호를 융합한 것이며, 각각 혈당에 어떠한 영향을 주기에 성능이 올랐는 지에 대한 구체적인 언급은 없었습니다.
추가로, temporal에서는 20개의 연속된 심박으로 데이터를 구성하여, 시간적 상관성을 분석하고자 하였고,
spatial에서는 1개의 심박(heartbeat)으로 구성된 데이터를 모델에 입력하여, 개별 심박 내 형태적인 특징을 보고자 하였습니다. 감사합니다.
좋은 발표 감사합니다.
피쳐 선택 방식을 UFS, RFE, L1-FS로 다양한 방법을 동시에 사용한 것 같은데, 이렇게 동시에 사용한 이유가 궁금합니다. 저 세 방식을 동시에 사용해서 상호 검증된 피쳐를 선택했다고 보면 되는 걸까요?
좋은 질문 감사합니다. 그렇습니다. 논문에서는 혈당 예측과 관련해 좋은 특징일 경우, 특징 선택 기법에 상관없이(방법에 따른 영향을 최소화) 해당 특징이 선택될 것이라 언급하며 세 가지 특징 선택 기법에 교차하는 특징들만을 선택하였습니다. 감사합니다.
흥미로운 연구 소개 감사합니다.
한 가지 궁금한 점은, spatial feature 같은 경우에는 DWT 수행 후, 간단하게 추출했는데 temporal feature만 model을 활용해서 feature extraction과 selection을 수행했는데, temporal과 spatial feature를 추출 및 선택하는 과정을 다르게 진행한 특별한 이유가 있는지 궁금합니다.
좋은 질문 감사합니다. 직접적으로 temporal과 spatial feature를 추출 및 선택 과정을 달리한 이유에 대해 언급하진 않았습니다만 temporal feature로는 20개의 연속된 데이터를 넣어 시간적으로 상관성이 있는 특징들을 추출하고자 하였고, spatial feature에서는 1개의 심박을 모델에 입력하여, 개별 심박 내 형태적인 특징을 보고자 하였다고 합니다. 논문에서는 특징에 대한 설명과 해당 특징 기법들을 선택한 이유를 자세히 설명하지 않고 있는데, 이러한 설명들이 있으면 더 설득력 있는 논문이 되었을 것 같습니다. 감사합니다.
흥미로운 연구 소개 감사합니다. 첫번째 결과에서 처음에 ECG 결과 PPG 결과 ECG+PPG결과를 보여줫었는데 +결과에서 두개를 합친게 훨씬 좋은 성능을 보였다고 말씀해주셨는데 사실 ZONE A+B만 봤을때는 훨씬 좋은 성능이라 하기엔 ECG나 PPG 둘다 따로 써도 거의 100가까운 결과를 보이기에 이것이 훨씬이라고 부를정도의 의미가 있나 싶은데 이것에 대해 어떻게 논의를 하고 있는지 궁금합니다 .감사합니다.
좋은 질문 감사합니다. Zone A+B에서는 모두 높은 성능을 보였지만, error grid 분석에서 B의 범위 내에 있다는 것은 치료의 오류가 발생하지 않는 범위로 혈당 기기로써의 사용 가능하다 정도이지만, A의 범위 내에 있는 것은 임상적으로 정확한 범위에 속한다로 정의됩니다. 이에 zone A의 ECG+PPG 결과에서 다수가 80%를 넘으며 유의미한 값을 가지기에 훨씬 좋은 성능이라고 봤습니다.! 감사합니다.
좋은 발표 감사합니다. PPG와 ECG는 peak의 간격이나 진폭 등 서로 공유하는 지표가 많아, 보다 측정이 간편한 PPG 신호를 이용하여 ECG를 생성하는 등의 연구가 진행되는 것으로 알고 있습니다. 본 연구에서 ECG와 PCG를 결합했을 때 성능이 가장 높지만, 단일 신호를 사용한 결과 대비 통계적으로 유의미하게 높지 않은 것 같아서, 두가지 신호를 사용했을 때 얻을 수 있는 장점이 무엇인지 궁금합니다.
감사합니다
좋은 질문 감사합니다. 논문에서 따로 언급은 없었으나 제가 생각하기로 ECG와 PPG 두 신호 모두 웨어러블 기기를 통해 측정 가능하다는 점을 고려해볼 때, 신뢰성과 정확도 면에서 더 향상된 모델을 구축할 수 있다는 점에서 의의가 있을 듯 합니다. 또한, 논문에서 언급하기로 ECG와 PPG를 결합한 선행된 연구는 많이 없다고 합니다. 그럼에도 이를 혈당 예측 연구에 적용하여 당뇨 모니터링 기기로의 효용성을 확인한 부분에서 의미가 있다고 봤습니다. 감사합니다.