이러한 유형의 장치를 만들기 위해 연구원들은 반도체와 트랜지스터를 만드는 데 사용되었던 전기 전도성 폴리머를 사용했다. 이 폴리머는 고무줄처럼 늘어나도록 만들어졌다. 그러나 우리가 작업하고 있는 뉴로모픽 컴퓨팅 칩이라고 하는 칩은 일반적인 컴퓨터 칩처럼 작동하기보다는 인간의 두뇌처럼 기능한다. 데이터를 저장하고 분석할 수 있다.
새로운 장치의 유용성을 테스트하기 위해 동료와 저는 이를 사용하여 인간 심장의 전기적 활동을 나타내는 심전도 데이터를 분석했다. 우리는 ECG를 5가지 범주(건강한 신호 및 4가지 유형의 비정상 신호)로 분류하도록 장치를 훈련했다. 착용자의 신체 움직임에 의해 반복적으로 기기가 늘어나는 상황에서도 기기는 여전히 정확한 심장 박동을 분류할 수 있다.
ECG에 의해 기록되는 심장의 전기적 활동과 같은 인체의 대부분의 신호는 일반적으로 약하고 미묘하다. 이러한 작은 신호를 정확하게 기록하려면 전자 장치와 인체가 직접 접촉해야 한다. 이것은 피부처럼 부드럽고 신축성이 있는 전자 장치를 제작해야만 가능한다. 우리는 웨어러블 전자 장치가 체온, 심장 활동, 산소 수준, 설탕, 대사 산물 및 혈액 내 면역 분자를 포함하여 인간 건강의 복잡한 지표를 추적하는 데 핵심 역할을 할 것으로 예상한다.
그러나 지속적으로 수집되는 대량의 건강 데이터를 분석하는 것은 어려운 일이다. 단일 데이터 조각을 환자의 전체 건강 기록에 대한 더 넓은 관점에 넣어야 하며 이는 큰 작업이다. 매우 복잡한 데이터 세트에서 패턴을 식별하는 최첨단 머신러닝 알고리즘은 질병의 가장 중요한 신호를 찾아낼 수 있는 가장 유망한 경로이다.
실시간 건강 데이터를 분석하기 위해 머신러닝을 사용하는 일반적인 접근 방식은 웨어러블 장치에서 컴퓨터로 데이터를 무선으로 전송하는 것이다. 그러나 이것은 도전 과제를 제기한다. 건강 데이터를 무선으로 전송하는 것은 느리고 추가 전력을 소비할 뿐만 아니라 개인 정보 보호 문제도 제기한다. 우리 연구의 목표는 건강 데이터의 AI 분석이 이러한 피부와 같은 웨어러블 장치 내에서 이루어지도록 하여 장치가 전송해야 하는 정보의 양을 최소화하는 것이다.
궁극적인 목표는 이 현장 분석을 통해 환자나 의료 제공자에게 적시에 경고를 보내거나 언젠가는 다른 웨어러블 또는 이식형 장치에서 분배되는 약을 자동으로 조정할 수 있도록 하는 것이다.
웨어러블 기기에서 수집된 건강 데이터를 처리하는 AI에 대한 다른 연구는 주로 AI 알고리즘을 실행하는 컴퓨터로 데이터를 전송하는 것과 관련이 있다. 이러한 프로젝트는 복잡한 건강 데이터에서 유용한 정보를 추출하는 AI의 잠재력을 보여주었다.
최근 개발된 플렉서블 뉴로모픽 프로세서는 웨어러블 기기에서 AI 데이터 분석을 직접 실행하기 위한 중요한 단계이지만, 이러한 플렉서블 프로세서는 피부와 같은 신축성과 부드러움이 부족하여 웨어러블 기기로 구현하기 어렵다. 대조적으로, 우리의 장치는 웨어러블 건강 모니터에 필요한 피부와 같은 특성을 가지고 있다.
앞으로 연구자들은 웨어러블 장치에 통합된 이러한 유형의 AI 분석을 다른 유형의 건강 상태 및 질병으로 확장할 가능성이 높다. 우리 연구실에서는 장치의 구성 요소를 더 잘 통합하고 사용할 수 있는 머신러닝 알고리즘 유형을 확장하기 위해 장치를 개선할 계획이다.
이 연구는 인공지능을 웨어러블 전자 장치에 구축하는 장치를 만들기 위한 좋은 출발점이다.
