왕시홍
동료들과 우리는 신체에서 직접 건강 데이터를 지속적으로 수집하고 분석하기 위해 기계 학습 알고리즘을 실행하는 유연하고 신축성 있는 전자장치를 개발했다. 시카고대학교 프리츠커분자공학부 내 연구실에서 개발한 피부같은 스티커에는 인간의 뇌를 모방한 부드럽고 신축성 있는 컴퓨팅 칩이 포함되어 있다.
이러한 유형의 장치를 만들기 위해 우리는 반도체와 트랜지스터를 만드는 데 사용된 전기 전도성 폴리머를 사용했다. 이 폴리머는 고무줄처럼 신축성 있게 만들어졌다. 그러나 일반적인 컴퓨터 칩처럼 작동하기보다는 우리가 작업하고 있는 뉴로모픽 컴퓨팅 칩이라고 하는 칩은 인간의 두뇌와 같은 기능을 한다. 데이터를 저장하고 분석할 수 있다.
새로운 장치의 유용성을 테스트하기 위해 동료들과 나는 그것을 사용하여 인간 심장의 전기적 활동을 나타내는 심전도 데이터를 분석했다. 우리는 ECG를 정상 신호와 4가지 유형의 비정상 신호의 5가지 범주로 분류하도록 장치를 훈련했다. 착용자의 신체 움직임에 의해 장치가 반복적으로 늘어나는 상황에서도 장치는 여전히 심장 박동을 정확하게 분류할 수 있다.
ECG에 의해 기록되는 심장의 전기적 활동과 같은 인체 신호의 대부분은 일반적으로 약하고 미묘합니다. 이러한 작은 신호를 정확하게 기록하려면 전자 장치와 인체 간의 직접적인 접촉이 필요하다. 이는 조작을 통해서만 달성할 수 있다. 전자 기기 피부처럼 부드럽고 신축성이 있다. 우리는 웨어러블 전자 장치가 체온, 심장 활동, 산소 수준, 당, 대사 물질 및 혈액 내 면역 분자를 포함하여 인간 건강의 복잡한 지표를 추적하는 데 중요한 역할을 할 것이라고 생각한다.
그러나 지속적으로 수집되는 대량의 건강 데이터를 분석하는 것은 어려운 일이다. 단일 데이터 조각을 환자의 전체 건강 이력이라는 더 넓은 관점에 넣어야 하는데 이는 큰 작업이다. 극도로 복잡한 데이터 세트에서 패턴을 식별하는 최첨단 기계 학습 알고리즘은 질병의 가장 중요한 신호를 찾아낼 수 있는 가장 유망한 경로이다.
머신 러닝을 사용하여 실시간 건강 데이터를 분석하는 일반적인 접근 방식은 데이터를 웨어러블 장치에서 컴퓨터로 무선으로 전송하는 것이다. 그러나 이것은 도전을 제기한다. 건강 데이터를 무선으로 전송하는 것은 느리고 추가 전력을 소비할 뿐만 아니라 개인 정보 보호 문제도 제기한다. 우리의 연구 목표는 피부와 같은 웨어러블 장치 내에서 건강 데이터의 AI 분석을 수행하여 장치가 전송해야 하는 정보의 양을 최소화하는 것이다.
궁극적인 목표는 이 현장 분석을 통해 환자나 의료 서비스 제공자에게 적시에 경고를 보내거나 다른 웨어러블 또는 이식 장치에서 분배되는 약물을 자동으로 조정할 수 있도록 하는 것이다.
웨어러블 기기에서 수집한 건강 데이터를 AI가 처리하는 다른 연구는 주로 AI 알고리즘을 실행하는 컴퓨터로 데이터를 전송하는 것과 관련이 있다. 이러한 프로젝트는 복잡한 건강 데이터에서 유용한 정보를 추출하는 AI의 잠재력을 보여주었다.
최근 유연한 뉴로모픽 프로세서의 개발은 AI 데이터 분석을 웨어러블 장치에서 직접 실행하는 데 중요한 단계이지만 이러한 유연한 프로세서는 피부와 같은 신축성과 부드러움이 부족하여 웨어러블 장치에 구축하기 어렵다. 대조적으로, 우리 장치는 웨어러블 건강 모니터에 필요한 피부와 같은 특성을 가지고 있다.
앞으로 연구원들은 웨어러블 장치에 통합된 이러한 유형의 AI 분석을 다른 유형의 건강 상태 및 질병으로 확장할 가능성이 높다. 제 연구실에서는 장치의 구성 요소를 더 잘 통합하고 함께 사용할 수 있는 기계 학습 알고리즘 유형을 확장하기 위해 장치를 개선할 계획이다.
우리의 작업은 인공 지능을 웨어러블 전자 장치에 내장하는 장치, 즉 사람들이 더 오래 건강하게 살 수 있도록 도와주는 장치를 만들기 위한 좋은 출발점이다.
