ECG, EEG, PCG와 같은 생체신호에는 다양한 생리학적 정보가 포함되어 있지만, 잡음과 개인 간 변이, 제한된 학습 데이터 등으로 인해 효과적인 분석을 위해서는 적절한 신호처리와 머신러닝 기법이 필요합니다. 본 강의에서는 생체신호 분석에 사용되는 머신러닝과 딥러닝 방법론을 전통적인 특징 기반 접근법부터 최근의 Foundation Model 활용 방법까지 단계적으로 소개합니다.

먼저 잡음 필터링, 시간 및 주파수 영역 분석, time-frequency representation 등 기본적인 생체신호 처리 방법과 이를 이용한 특징 추출 과정을 설명하고, 추출된 특징을 Logistic Regression, Random Forest, LightGBM 등의 머신러닝 모델에 적용하는 방법을 살펴봅니다. 이후 CNN, RNN, Transformer 등을 이용하여 원시 신호 또는 spectrogram으로부터 특징을 자동으로 학습하는 end-to-end 딥러닝 방법을 소개합니다. 마지막으로 대규모 생체신호 데이터로 사전학습된 Foundation Model의 representation을 활용하거나 downstream clinical task에 fine-tuning하는 연구 방향을 다룹니다.

이론적인 설명과 함께 PhysioNet/Computing in Cardiology Challenge 2022, 2025, 2026 참가 경험을 사례 연구로 활용합니다. 심음 신호를 이용한 심잡음 탐지, 12-lead ECG를 이용한 Chagas disease 탐지, 수면 EEG를 이용한 향후 인지기능 저하 예측 문제를 중심으로 각 Challenge의 데이터와 평가 문제를 소개하고, 참가 과정에서 적용한 신호처리 및 딥러닝 방법과 상위권 팀들의 주요 접근법을 비교합니다. 흥미로운 주제에 대해서 많은 관심과 참여를 부탁드립니다.