전시회명: BioCAS 2025

전시장소: KU(칼리파대학교), 아랍에미리트 아부다비

부스 No.: C4L-A

참가일자: 2025.10.16

참가자: KAIST 석사과정 바이오및뇌공학과 고혜준(지도교수 김철)

전시품명:Keynote 1: Low power Neuromorphic LLM Accelerators

해당 발표는 현재 ai반도체의 권위자인 카이스트 유회준 교수님께서 진행하신 keynote발표였다. 

현재 ai가 발전하고 모바일 및 웨어러블 기기등 서버가 아닌 기기에서의 ai사용이 확대됨에 따라 에너지 소비가 기하급수적으로 늘어나고 있다. 따라서 on-chip 에서 ai를 가동시킬 수 있는 것도록 에너지 효율적인 AI 가속기 설계의 중요성이 크게 부각되고 있다.

CNN 최적화를 넘어, 생물학적 뉴런의 특성(예: 입력 특징 맵의 희소성, 순방향 학습 등)을 활용하기 위한 스파이킹 신경망(Spiking Neural Network, SNN) 기반의 뉴로모픽(neuromorphic) 접근법이 활발히 연구되고 있다.

또한, 최근에는 두 방식의 장점을 결합하는 방식이 연구되고 있으며, 이를 통해 높은 에너지 효율을 달성하고자 한다.

SNN과 CNN의 결합은 탁월한 전력 효율을 갖춘 고(高) 에너지 효율 SoC(System-on-Chip)로 이어지며, 다양한 AI 응용을 효율적으로 처리할 수 있는 능력을 보여준다.

구현 결과를 보며, 이런 레벨도 연구실에서 만들고 수행할 수 있다는 점이 인상깊었으며, 추후에 ai가 필요한 다양한 분야에도 접목할 수 있어 해당 분야의 발전가능성이 높다는 것을 알 수 있었다.

전시회명: BioCAS 2025

전시장소: KU(칼리파대학교), 아랍에미리트 아부다비

부스 No.: B3L-A

참가일자: 2025.10.17

참가자: KAIST 석사과정 바이오및뇌공학과 고혜준(지도교수 김철)

전시품명:On-Device Fetal ECG Extraction Using NEO-Based Adaptive Predictor for Prenatal Healthcare

해당 발표에서는 임산부에게서 태아의 심전도를 측정하기 위한 방법을 소개한다. 임산부에게서 심전도를 측정하기 어려운 이유가 몇가지 있었는데, 첫째로는 임산부의 심전도가 태아의 심전도보다 크기가 약 10배 크다는 것이고, 두 번째로는 그 둘의 신호가 구성이 비슷하다는 것이다. 태아의 심전도와 임산부의 심전도 주파수 대역이 동일하기에 단순한 필터링을 하면 모체 신호와 함께 태아의 신호가 소실될 가능성이 높다.

해당 발표에서는 이를 타개하기 위해 neo를 사용하였으며, adaptive predictor라는 로직을 통해 모체의 심전도 신호에 숨어있는 태아의 신호를 효율적으로 찾아내었다. 이 모든 과정은 fpga단에서 해결 가능하였으며, on-chip으로 태아의 심전도를 잘 측정해낸 사례라고 할 수 있다. 

단순히 모체의 생체신호를 따로 측정해서 빼낸 것이 아닌, 한번에 측정된 신호를 통해서 이 모든 과정을 진행한다는 점이 인상깊었다.

전시회명: BioCAS 2025

전시장소: KU(칼리파대학교), 아랍에미리트 아부다비

부스 No.: C3L-A

참가일자: 2025.10.18

참가자: KAIST 석사과정 바이오및뇌공학과 박대혁(지도교수 김철)

전시품명:A Lightweight Spiking Neural Network for Severity-Based Accurate ECG Arrhythmia Detection

이번 발표에서는 경량 스파이킹 신경망(Spiking Neural Network, SNN) 기반의 심전도 중증도(severity) 분류 모델이 제안되었다. 심전도(ECG) 신호에서 부정맥(arrhythmia) 유형을 신속하고 정확하게 판별하는 것은 심혈관 질환의 조기 진단과 신속한 의료 대응에 필수적이다. 최근 웨어러블 기기를 활용한 심전도 모니터링 기술이 활발히 연구되고 있으나, 에너지 및 연산 자원이 제한된 환경에서 신경망 기반 분류 모델을 효율적으로 구현하는 데에는 여전히 기술적 제약이 존재한다. 해당 연구에서는 스파이크 부호화 효율을 높이기 위해 기존 델타 변조(delta modulation) 방식에 동적 임계값(dynamic threshold) 을 적용하고, 중요도가 낮은 구간에는 OR-pooling 연산을 수행함으로써 모델을 단순화하면서도 신호의 주요 특징을 효과적으로 보존하였다.

또한, 중증도 기반 분류에 특화된 3단계 계층형(hierarchical) SNN 구조가 제시되었으며, 세 개의 분류기(classifier)가 공통 특징 추출층(feature extraction layer) 을 공유함으로써 전체 모델의 크기와 연산 복잡도를 크게 감소시켰다.

웨어러블 심전도 모니터링 시스템에의 실질적인 적용 가능성을 입증하여, 앞으로도 더욱 간편한 심전도 기반 헬스케어에 적용할 수 있다는 것을 보여주는 점이 인상깊은 연구였다.