An AI pipeline using post-relabeling and HeartGPT augmentation classified psychological threat states from smartwatch PPG data with up to 95.70% accuracy.
Data quality enhancement via relabeling and generative AI augmentation effectively improves psychological threat detection performance using wearable PPG sensors.
본 연구는 스마트 워치를 통해 수집한 PPG(Photoplethysmography) 데이터를 활용하여 착용자의 심리적 위협상태를 신뢰도 있게 감지할 수 있는 데이터 중심의 AI 파이프라인을 제안한다. 실제 환경에서 수집되는 PPG 데이터는 라벨 품질 저하로 인해 모델 성능 개선에 한계가 존재하며, 본 연구에서는 이를 해결하기 위해 사후 리라벨링 기법과 증강 기법을 도입하였다. 먼저 PPG 신호의 평균 피크 진폭 기반 임계값을 활용한 리라벨링 기법을 적용하여, 비위협(0)과 위협(1) 라벨의 진폭 분포 중첩을 완화함으로써 라벨 신뢰도를 향상시켰다. 이어서 리라벨링 적용 이후 발생한 클래스별 데이터 불균형 문제를 해결하기 위해 트랜스포머 기반 시계열 생성 모델인 HeartGPT를 활용하여 위협 신호를 재생성하여 부족한 위협 데이터를 보완하였고, 최종적으로 증강한 데이터와 실제 데이터를 통합하여 학습 데이터셋을 재구성하였다. 이 데이터셋을 ID CNN모델과 Transformer 기반 시계열 분류 모델에 동일하게 적용하여 학습한 결과, 각각 최대 94.50%, 95.70%의 정확도로 위협 상황을 분류하며 두 모델 모두에서 성능이 향상됨을 확인했다. 이는 데이터 품질 향상만으로도 웨어러블 기기 기반 위협 감지 성능을 실질적으로 개선할 수 있음을 보여준다.
Kim et al. (Fri,) conducted a other in Psychological threat state. Data-driven AI pipeline with post-relabeling and HeartGPT augmentation was evaluated on Classification accuracy of threat situations. An AI pipeline using post-relabeling and HeartGPT augmentation classified psychological threat states from smartwatch PPG data with up to 95.70% accuracy.