전시회명 : SFN(SOCIETY FOR NEUROSCIENCE) 

전시장소 : 미국 샌디에고 

참가일자 : 2025/11/15 

참가자 : 포항공과대학교 통합과정 1학기 IT융합공학과 황원준 (지도교수 박성민)

전시품명 : Effects of Controlled Minute Ventilation and Breathing Rate on Cardiovascular and Autonomic Regulation  

참관내용 : 본 연구는 분당 환기량(MV)과 호흡 속도가 심혈관 및 자율신경계 조절에 미치는 영향을 규명하기 위해 수행되었다. 연구팀은 피험자에게 실시간 호흡 피드백을 제공하며 심박수, 심박출량(SV), 심박변이도(HRV) 데이터를 수집·분석하였으며, 실험 결과 느린 호흡은 부교감 신경을 활성화하고 높은 환기량은 교감-부교감 신경의 동시 활성화를 유도해 심박출량을 최적화함을 확인하였다. 시스템반도체 관점에서 본 연구는 호흡과 심혈관 신호 간의 동적 상관관계를 분석하는 'Closed-loop Bio-feedback System'의 설계를 시사한다. 이러한 시스템의 소형화 및 웨어러블화를 위해서는 ECG와 호흡 신호를 동시에 처리할 수 있는 다중 모달리티 Analog Front-End(AFE) 설계 기술과, 움직임에 의한 잡음(Motion Artifact)을 하드웨어 단에서 제거하는 적응형 필터링 기술이 필수적이다. 또한 클라우드를 거치지 않고 엣지 디바이스 내에서 실시간으로 자율신경 균형을 연산하고 피드백을 생성하기 위해, 저전력 MCU와 임베디드 DSP가 통합된 헬스케어 전용 SoC(System-on-Chip) 개발 필요성이 부각된다.

특이사항 : 단순히 생체 신호를 모니터링하는 것을 넘어, '호흡 제어'를 통해 심혈관 기능을 역으로 조절하는 기전을 밝혀내어 향후 소프트웨어 의료기기(SaMD)나 전자약(Digital Therapeutics) 알고리즘 개발에 중요한 근거가 될 연구임.

전시회명 : SFN(SOCIETY FOR NEUROSCIENCE) 

전시장소 : 미국 샌디에고 

참가일자 : 2025/11/16 

참가자 : 포항공과대학교 통합과정 1학기 IT융합공학과 황원준 (지도교수 박성민)

전시품명 : Improving Brain-to-Text Decoding via Late-fusion Ensembling and Test-time Augmentation 

참관내용 : 본 포스터는 마비 환자의 의사소통을 돕기 위한 뇌-컴퓨터 인터페이스(BCI) 연구로, 뇌 신호를 텍스트로 변환하는 디코딩 정확도를 높이기 위해 앙상블 기법과 테스트 시간 증강(TTA) 기술을 제안하였다. 연구팀은 클라우드 기반의 거대 언어 모델(LLM)을 'Merger'로 활용하여 디코더들의 예측 결과를 문맥적으로 보정함으로써 단어 오류율을 기존 35.2%에서 26.1%로 획기적으로 낮추었다. 이 연구는 시스템반도체 분야에 있어 고성능 BCI 구현을 위한 엣지-클라우드 하이브리드 컴퓨팅 구조의 중요성을 시사한다. 특히 수천 채널의 고해상도 신경 신호를 실시간으로 처리하기 위해서는 방대한 데이터를 압축·전송하는 고대역폭 무선 송수신 회로(UWB 등)와, 지연 시간(Latency)을 최소화하기 위해 엣지 디바이스 내에서 추론 연산을 일부 수행할 수 있는 저전력 AI 가속기(NPU) 탑재가 요구된다. 향후 연구는 외부 컴퓨팅 자원 의존도를 낮추고 이식형 칩 레벨에서 실시간 디코딩을 수행할 수 있는 Neural Interface SoC 설계 및 온칩 학습(On-chip Learning) 회로 최적화 방향으로 발전할 것으로 전망된다.

특이사항 : 기존 신호 처리 기술의 한계를 최신 AI 트렌드인 LLM(거대 언어 모델)과의 융합으로 극복한 사례로, BCI 시스템이 단순한 신호 해독기를 넘어 문맥을 이해하는 지능형 시스템으로 진화하고 있음을 보여줌.

전시회명 : SFN(SOCIETY FOR NEUROSCIENCE) 

전시장소 : 미국 샌디에고 

참가일자 : 2025/11/17 

참가자 : 포항공과대학교 통합과정 1학기 IT융합공학과 황원준 (지도교수 박성민)

전시품명 : NEATmapV2: a high-efficiency deep learning approach for whole mouse brain neuronal activity and cell-type analysis 

참관내용 : 본 연구는 3D Swin Transformer 기반의 딥러닝 모델(3D-HSFormer)을 도입하여 쥐의 전체 뇌 이미지에서 신경세포 활성도와 유형을 고효율로 분석하는 NEATmapV2 프레임워크를 발표하였다. 기존 방식 대비 처리 속도를 마우스 한 마리당 6시간 이내로 단축하고 분할 정확도를 높인 것이 특징이다. 바이오 이미지 처리는 통상 고성능 GPU 서버에 의존하지만, 시스템반도체 관점에서는 이러한 고해상도 3차원 영상 처리를 촬영 장비 자체에서 수행하려는 'Smart Sensor' 기술 수요와 직결된다. 대용량 Volumetric 데이터의 병목 현상을 해결하기 위해 메모리와 연산 유닛을 통합한 PIM(Processing-in-Memory) 아키텍처나, 3D Convolution 및 Transformer 연산에 특화된 비전 AI 가속기 칩 개발이 요구된다. 또한 이미지 센서단에서 1차적인 노이즈 제거와 ROI(Region of Interest) 추출을 수행하는 지능형 CMOS Image Sensor(CIS) 기술이 접목된다면 데이터 전송 효율과 분석 속도를 더욱 극대화할 수 있을 것이다.

특이사항 : 자연어 처리(NLP) 분야에서 주로 쓰이던 Transformer 아키텍처를 대용량 3D 바이오 이미지 분석에 성공적으로 적용하여, 처리 속도와 정확도라는 두 마리 토끼를 잡은 고효율 AI 파이프라인 구축 사례임.

전시회명 : SFN(SOCIETY FOR NEUROSCIENCE) 

전시장소 : 미국 샌디에고 

참가일자 : 2025/11/18 

참가자 : 포항공과대학교 통합과정 1학기 IT융합공학과 황원준 (지도교수 박성민)

전시품명 : Optimized NSC Proliferation, Neural Maturation, and Maintenance of Primary Neurons in a XenoFree System Suitable for Cell Therapy Development 

참관내용 : 본 연구는 세포 치료제 개발을 위해 동물 유래 성분을 배제한(Xeno-free) 환경에서 신경줄기세포(NSC)의 증식과 분화를 최적화한 배양 시스템을 제시하고, High Content Analysis(HCA) 플랫폼을 통해 이를 검증하였다. 해당 연구는 바이오 공정에 집중되어 있으나, 균일한 품질의 세포 생산을 위한 공정 자동화 측면에서 반도체 기술의 개입이 필수적이다. 배양 용기 내 미세 환경(pH, 산소, 글루코오스 등)을 실시간으로 정밀 모니터링하기 위해 이온 감지 FET(ISFET)이나 전기화학 센서가 집적된 CMOS 바이오 센서 칩(Lab-on-a-Chip) 기술이 요구된다. 또한 고가의 광학 장비 없이도 배양 중인 세포의 이미지를 획득하고 분석하기 위해, 렌즈리스 이미징(Lens-less imaging) 기술이 적용된 초소형 이미지 센서 SoC를 인큐베이터 시스템에 통합함으로써 스마트 세포 배양 플랫폼을 구축하는 방향으로 기술 확장이 가능하다.

특이사항 : 대학 연구실이 아닌 글로벌 바이오 기업(Thermo Fisher Scientific)의 연구 결과로, 실제 임상 적용 시 가장 까다로운 규제 문제(동물 유래 성분 배제)를 해결하여 상용화 가능성을 크게 높인 실용적 연구임.

전시회명 : SFN(SOCIETY FOR NEUROSCIENCE) 

전시장소 : 미국 샌디에고 

참가일자 : 2025/11/19 

참가자 : 포항공과대학교 통합과정 1학기 IT융합공학과 황원준 (지도교수 박성민)

전시품명 : The Impact of Heterogeneity on Neural Network Learning and Memory: Insights from an in silico Model 

참관내용 : 본 연구는 생물학적 신경망이 가지는 파라미터 및 구조적 이질성(Heterogeneity)이 학습과 기억 능력에 미치는 영향을 컴퓨터 모델링을 통해 분석하였다. 연구 결과, 적절한 수준의 다양성이 네트워크 성능을 향상시키며, 모듈화된 이질적 구조가 기능적 이점을 제공함을 확인하였다. 이는 차세대 AI 반도체인 뉴로모픽(Neuromorphic) 시스템 설계에 중요한 방향성을 제시한다. 기존 디지털 반도체 설계는 소자 간 특성 불일치(Mismatch)를 최소화하는 데 주력했으나, 본 연구 결과는 아날로그 소자가 갖는 고유한 산포나 변동성을 오히려 학습 성능을 높이는 'Feature'로 활용할 수 있음을 시사한다. 따라서 멤리스터(Memristor)와 같은 차세대 소자의 물성적 이질성을 활용한 확률적 학습(Stochastic Learning) 회로 구현이나, 의도적으로 비균일한 파라미터를 갖는 아날로그 뉴럴 네트워크(Analog Neural Network) 설계를 통해 전력 효율과 학습 유연성을 동시에 갖춘 AI 반도체 개발이 가능할 것으로 전망된다.

특이사항 : 반도체 공정에서 반드시 제거해야 할 결함으로 여겨지던 '소자 특성 산포(Mismatch)'를 생물학적 관점에서 재해석하여, 오히려 시스템 성능을 높이는 핵심 요소로 활용할 수 있을 것 같음.