Design and Implementation of a Respiratory Disease Monitoring Device by Lightening Deep Learning

본 연구는 딥러닝 기반 경량 모델을 활용하여 호흡기 질환의 비언어적 발성을 모니터링하는 소형 디바이스의 설계 및 구현을 제안한다. 소형 디바이스 환경에서는 메모리와 처리 속도 제한이 있어 모델 경량화가 필수적이며, 데이터 증강 기법을 통해 다양한 조건에서 인식 성능을 높였다. 또한, Residual Depthwise Separable Convolution(ResDSC) 모델을 설계하여, 파라미터 수와 연산량을 줄이면서도 기존 SOTA(State of the Art) 모델과 유사한 성능을 유지한다. ESP32 기반 소형 디바이스 실험 결과, ResDSC 모델은 높은 인식 성능과 실시간 처리 성능을 입증했으며, 지식 증류 기법을 활용해 경량화와 최적화를 동시에 달성했다. 특히, 최적 모델 ResDSC-K0은 87.8% 인식 정확도, 0.8초 추론 시간, 0.14MB 메모리 크기를 가지며 낮은 성능 환경에서도 효율적으로 동작함을 보였다.