기술 요약: sEMG 기반 근피로도 탐지를 위한 효율적이고 강건한 스파이킹 신경망

1. 문제 정의

표면 근전도(sEMG)를 통한 근피로도 탐지는 스포츠 최적화, 재활 및 직업 안전 분야에서 매우 중요합니다. 그러나 웨어러블 기기에 신뢰할 수 있는 피로도 탐지 모델을 배포하는 데에는 세 가지 주요 과제가 존재합니다:

1. 계산 제약: 기존의 딥러닝 모델(예: LSTM, Transformer)은 종종 높은 지연 시간과 에너지 비용을 발생시켜, 전력 제한이 있는 에지(edge) 기기에는 부적합합니다.
2. 데이터 제한: 대규모의 라벨링된 sEMG 데이터셋을 수집하는 것은 어렵기 때문에, 모델은 제한된 학습 데이터로도 높은 정확도를 달성해야 합니다.
3. 노이즈 강건성: sEMG 신호는 동작 아티팩트(motion artifacts), 전극-피부 임피던스 변화, 환경적 요인으로 인한 노이즈에 매우 취약합니다. 그러나 기존의 방법 중 실시간 온디바이스 시나리오에서 이러한 섭동(perturbations)에 대한 강건성을 명시적으로 다루는 연구는 거의 없습니다.

2. 방법론

저자들은 실시간 온디바이스 근피로도 탐지를 위해 설계된 컴팩트하고 양자화된 스파이킹 신경망(SNN) 프레임워크를 제안합니다. 이 파이프라인은 네 가지 주요 단계로 구성됩니다:

A. 특징 추출 (Feature Extraction)

원시 sEMG 신호를 평활화(smoothing)하고 짧은 시간 창(SUE의 경우 0.25초, SPE의 경우 7.5초)으로 나눕니다. 여기서 11가지 피로 관련 특징(주파수 영역, 시간 영역, 스펙트럼 플럭스, 엔트로피)을 추출합니다. 이러한 특징들은 장기적인 추세를 포착하기 위해 중기 창(SUE의 경우 2초, SPE의 경우 60초)으로 결합되며, 최종적으로 132차원의 입력 벡터를 생성합니다.

B. SNN 구축 및 학습

• ANN-to-SNN 변환: 스파이킹 뉴런의 비미분적 특성을 해결하기 위해, 저자들은 먼저 4개 층의 완전 연결 구조(132-128-32-1)를 가진 전통적인 인공 신경망(ANN)을 학습시킵니다. 이후 이 ANN을 구조 보존 파이프라인을 사용하여 SNN으로 변환합니다.
• 인코딩: 입력값은 평균 스파이크 생성(Average Spike Generation, ASG) 방식의 누설 적분 발화(Leaky Integrate-and-Fire, IF) 모델을 사용하여 스파이크 열(spike trains)로 인코딩됩니다.
• 강건성 학습 (SDH): 노이즈에 대한 강건성을 높이기 위해 SDH라고 명명된 새로운 학습 체계가 도입되었습니다. 이는 세 가지 정규화 항을 하나의 복합 손실 함수로 결합합니다:
  1. SHAQ (Safe Haven Activation Quantization): 활성화 값을 양자화 구간의 중간값으로 밀어내어 작은 섭동에 대한 민감도를 줄입니다.
  2. DQ (Defensive Quantization): 가중치가 너무 커지는 것을 억제하여 레이어 간 노이즈 전파를 제한하고 특징 간 상관관계를 줄입니다.
  3. Huber Loss: 큰 잔차를 이차 함수가 아닌 선형적으로 처리함으로써 일시적인 스파이크와 이상치(outlier)의 영향을 억제합니다.
     전체 손실 함수는 $L = L_{BCE} + \lambda_1 L_{act} + \lambda_2 L_{orth} + \lambda_3 L_{huber}$ 입니다.

C. 양자화 및 후처리

• 양자화: 학습된 모델은 사후 학습 양자화(Post-Training Quantization, PTQ)를 통해 3비트(QSN3) 및 4비트(QSN4) 가중치로 변환되며, 이는 재학습 없이 메모리 점유율을 크게 줄입니다.
• QAF (Quick Adapt Filter): 단기 분류 노이즈를 억제하기 위해 후처리 모듈인 QAF가 적용됩니다. 이는 슬라이딩 윈도우, 중앙값 필터(median filter), 그리고 지수 가중 이동 평균(EMA) 기반의 적응형 임계값을 사용합니다. 또한 강력한 신호 감지 시 즉각적인 피로 상태를 트리거하는 "빠른 채널(fast channel)" 메커니즘을 포함합니다.

D. 하드웨어 구현

저자들은 뉴로모픽 하드웨어를 위한 맞춤형 컴퓨팅 유닛(CU)과 스케줄러를 설계했습니다. 이 설계는 모든 계산에 단일 CU를 사용하고, 불변 파라미터(가중치)와 활성화 값을 SRAM에서 분리하며, 반복적인 메모리 접근을 피하기 위해 로컬 막전위(membrane-potential) 버퍼를 활용함으로써 전력 소비를 최소화합니다.

3. 주요 기여

1. 에너지 효율적 패러다임: 본 논문은 SNN을 근피로도 탐지의 유효한 패러다임으로 확립하며, 스파이크 기반 모델이 풀 프리시전(full-precision) ANN 베이스라인에 비해 추정 에너지 소비를 최대 201.77배까지 줄일 수 있음을 입증했습니다.
2. 강건한 학습 체계 (SDH): SHAQ, DQ, Huber loss를 통합한 SDH 체계의 도입은 합성 노이즈 및 물리적 섭동(예: 동작 아티팩트, 베이스라인 드리프트)에 대한 모델의 회복력을 크게 향상시켰습니다.
3. 포괄적 평가: 제안된 프레임워크는 두 개의 공개 sEMG 데이터셋(SUE 및 SPE)에 대해 7가지 서로 다른 노이즈 조건 하에서 광범위한 베이스라인(SVM, Random Forest, LSTM, Transformer 포함)과 비교 평가되었습니다.

4. 실험 결과

• 정확도: SUE 데이터셋에서 제안된 SNN은 (QAF 적용 시) **87.93%**의 F1 스코어를 달성하여, 가장 우수한 비스파이킹 베이스라인인 LSTM(87.36%)을 능가했습니다. SPE 데이터셋에서는 **90.14%**에 도달하여 가장 우수한 베이스라인인 MLP(87.00%)를 앞질렀습니다.
• 양자화 성능: 양자화된 모델(QSN3 및 QQSN4)은 풀 프리시전 모델과 대등한 성능을 유지했으며, QSN4는 SUE에서 87.84%, SPE에서 90.00%를 달성했습니다.
• 노이즈 강건성: 7가지 노이즈 유형(Gaussian, Poisson, Uniform, Multiplicative Gain, Motion Artifacts, Power-line, Drift) 하에서도 제안된 모델은 일관된 안정성을 보였습니다. 특히, SDH로 학습된 모델은 강건성 강화가 없거나 SHAQ/DQ만 적용된 변형 모델들보다 뛰어난 성능을 보였습니다.
• 에너지 효율성:
  • 베이스라인 MLP와 비교했을 때, 표준 SNN은 1.89배~5.13배, 양자화된 SNN은 52.07배~201.77배 감소된 추정 에너지 소비량을 보여주었습니다.
  • 저전력 재구성 가능 ASIC 뉴로모픽 시스템에서의 시뮬레이션 결과, 일반적인 스마트워치 배터리(4000 J)로 56.83시간 동안 연속 작동이 가능한 것으로 나타나, 장기적인 웨어러블 배포에 적합함을 입증했습니다.

5. 의의 및 주장

저자들은 본 연구가 근피로도 탐출을 위해 특별히 설계된, 강화된 노이즈 내성을 갖춘 최초의 에너지 효율적 에지 디바이스 호환 SNN 솔루션이라고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 웨어러블을 위한 실용성: 에너지 소비와 계산 오버헤드를 획기적으로 줄임으로써, 클라우드 컴퓨팅에 의존하지 않고도 자원이 제한된 기기에서 실시간적이고 프라이버시를 보호하는 피로 모니터링을 가능하게 합니다.
• 비제한적 환경에서의 강건성: SDH 학습 체계는 실제 sEMG 획득 시 발생하는 노이즈 취약성 문제를 해결하여, 동작 아티팩트나 신호 변동성이 존재하는 환경에서도 신뢰성을 보장합니다.
• 실제 배포 가능성: 공격적인 양자화(3/4-bit)와 특화된 후처리(QAF)의 결합은 이론적인 SNN의 효율성과 실제 스포츠 및 산업 안전 분야에서의 고정밀 배포 사이의 간극을 메워줍니다.

본 논문은 이 접근 방식이 높은 예측 정확도와 에지 컴퓨팅의 엄격한 에너지 및 강건성 요구 사항 사이의 균형을 맞추며, 실시간 근피로 모니터링이 가능한 실용적인 웨어러블 시스템의 토대를 마련한다고 결론짓습니다.