예측 인슐린 전달을 위한 에너지 효율 스파이킹 신경망

본 논문은 “Predictive Drug Delivery System (PDDS)”이라는 이름의 소프트웨어 완전 연구 프로토타입을 제시한다. 목표는 전력 제한이 극히 엄격한 착용형 의료기기에서 연속 혈당 모니터링과 인슐린 투여를 실시간으로 수행할 수 있는 초저전력 이벤트 기반 파이프라인을 구현하는 것이다. 기존 상용 인공 췌장 시스템은 센서 데이터를 1~5 분마다 폴링하고, 매 폴링 시 전체 연산 파이프라인을 실행한다. 이는 코인셀 전원으로 수년간 동작해야 하는 웨어러블 디바이스에 비현실적인 전력 소모를 초래한다. PDDS는 “ThresholdBell”이라는 동적 임계값 비교기를 통해 혈당이 의미 있게 변할 때만 전체 파이프라인을 활성화한다. 이때 활성화 비율은 약 88% 감소한다. 시스템은 크게 네 부분으로 구성된다. ① VoltageBuffer는 CGM 데이터를 전압(0–3 V) 형태로 변환하고, 고정 길이 링 버퍼에 저장한다. ② EmergencyDetector는 최근 10개의 읽기값을 이용해 기울기를 계산하고, 15 분 전진 예측을 통해 인터스티셜 지연을 보정한다. 기울기가 -0.25 V/min 이하이면 즉시 긴급 상황을 선언하고 인슐린 주입을 차단한다. ③ ThresholdBell은 상승 에지마다 동적으로 임계값을 조정해 급격한 상승 시 과다 투여를 방지한다. ④ DoseCalculator는 Bergman 모델 기반 시그모이드 함수를 사용해, SNN이 출력한 “HIGH/MEDIUM/LOW” 심각도와 현재 기울기에 따라 인슐린 용량을 계산한다. 용량은 0–5 U로 제한돼 과다 투여 위험을 차단한다. 핵심 인공지능 모듈은 3계층 LIF 스파이킹 신경망이다. 입력은 50 분(10 샘플) 윈도우를 10개의 피처로 요약한 뒤, 각 피처를 0–1로 정규화하고 포아송 스파이크 트레인(50 스텝)으로 인코딩한다. 인코딩 과정에 가우시안 잡음과 2 스텝 지연을 추가해 stochastic 특성을 부여한다. 네트워크는 lif1(128 뉴런, β=0.95), lif2(64 뉴런, β=0.90), lif3(3 뉴런, β=0.80)으로 구성되며, 각 계층은 서로 다른 시간 상수를 통해 장기·중기·단기 패턴을 계층적으로 통합한다. 출력은 50 스텝 동안 발생한 스파이크 수를 클래스별로 집계해 argmax로 결정한다. 학습은 surrogate gradient(빠른 시그모이드, 기울기 = 25)를 사용해 비미분 가능한 스파이크 함수를 근사하고, RMaxProp 옵티마이저와 전압 기반 eligibility trace, synaptic balancing 정규화를 적용해 안정적인 수렴을 달성한다. 학습 데이터는 OhioT1DM 실 환자 데이터(85 105 윈도우, 12명, 8주)와 FDA 승인 UVa‑Padova 시뮬레이터 데이터(42 920 윈도우, 30 가상 환자)를 합쳐 총 128 025 윈도우를 사용한다. 라벨링은 ADA 2023 기준과 별도로, 임상 전문가가 표시한 hypo_event 플래그를 우선 적용해 HIGH 클래스를 강제한다. 이는 실제 저혈당 위험을 반영한 고품질 라벨이다. 성능 평가는 세 가지 관점에서 수행된다. 첫째, 표준 테스트셋(ADA 라벨 기반)에서 SNN은 85.43% 정확도와 90.72% HIGH 재현율을 기록했으며, ADA 규칙은 87.63% 정확도, LSTM·MLP는 각각 99.06%·99.00% 정확도를 보였다. 저자는 정확도 차이가 stochastic encoding에 따른 변동성이라며, SNN이 구조적으로 결함이 없음을 강조한다. 둘째, 426개의 비명백 저혈당 윈도우(임상 전문가가 직접 표시)에서 SNN은 9.2% 재현율, ADA 규칙은 16.7% 재현율을 보였으며, 두 모델 모두 충분히 민감하지 않음을 확인한다. 이는 현재 시스템의 가장 큰 한계이며, 향후 저혈당 탐지 전용 모듈 개발이 필요함을 시사한다. 셋째, 에너지 효율 분석에서 한 번 추론당 SNN은 1 551 fJ, LSTM은 122.9 nJ를 소모한다. 이는 약 79 000배 전력 절감으로, 착용형 디바이스에서 연속 운영이 가능한 수준이다. 논문은 현재 시스템이 물리적 센서·펌프와 연결되지 않은 소프트웨어‑완전 단계임을 명시하고, 향후 5단계 로드맵(센서 통합, 하드웨어 구현, 임상 시험, 규제 승인, 상용화)을 제시한다. 또한, 연합 학습을 통한 개인 맞춤형 모델 업데이트와, 저혈당 탐지 성능 향상을 위한 시계열 변동성 모델과의 하이브리드 접근을 미래 연구 방향으로 제안한다. 전체적으로 본 연구는 초저전력 SNN 기반 이벤트‑드리븐 아키텍처가 착용형 인슐린 전달 시스템에 실현 가능함을 실증하고, 에너지 효율과 임상 안전성 사이의 트레이드오프를 명확히 제시한다.