KEA 한국전자정보통신산업진흥회

정확한 심전도(ECG) 분석은 조기 심장질환 진단과 모니터링에 필수적이다. 특히 QT 간격(QRS onset~T offset) 은 심장의 전기적 활동을 반영하는 중요한 지표지만, 기존 규칙 기반 알고리즘은 잡음에 취약하고, 대부분의 딥러닝 모델은 경계(boundary)를 명시적으로 탐지하지 않고 회귀값만 출력해 임상적 해석 가능성이 낮다는 한계가 있다.
이를 해결하기 위해 본 연구에서는 QTANet이라는 하이브리드 딥러닝 모델을 제안하였다. QTANet은 ResNet 기반 CNN으로 공간적 특징 추출, 웨이블릿 변환(DWT) 으로 저주파 영역 강조, Bi-LSTM으로 시간적 의존성 학습, Transformer 기반 Self-Attention으로 임상적으로 중요한 구간(예: QRS 시작, T 파 끝)을 강조한다.
QTANet은 경계(QRS onset, T offset)를 직접 탐지하여 QT 간격을 계산함으로써 정확도와 해석 가능성을 동시에 확보하였다.

[교육수료]

LLM Finetuning, LLMOps, Prompt Engineering 교육 수료
- 기간 2025.08

한전 KDN 네트워크 실무자 교육 수료
- 기간 2023.1

-----------------------------------------------

[인턴십]

한전 KPS 정보시스템부 인턴쉽 진행
- 기간 2023.09~12

[수상경력]

2025 STDEV 과학해커톤
- 대상 수상(대전광역시장상)
- 기간 2025.06.18

-----------------------------------------------


[자격증]
SQLD 취득
- 기간 2024.04.05

정보처리기사 취득
- 기간 2023.06.09

저는 의료 영상 및 생체 신호 분석을 위한 딥러닝 연구를 주 전공으로 삼고 있습니다. 관심 분야는 심전도(ECG) 신호 처리, CT–MRI 다중 모달 영상 변환, 자율주행 인지 알고리즘 등으로, 딥러닝과 신호 처리 기법을 결합하여 실제 임상 및 산업 현장에서 활용 가능한 인공지능 모델을 개발하는 데 중점을 두고 있습니다

[주요논문 연구분야]
QTANet (Hybrid Attention–Wavelet Network): ECG에서 QRS onset과 T offset을 명시적으로 탐지하여 QT 간격을 정확하게 추정하는 모델을 제안하였으며, NeuroKit2 대비 약 69%의 MAE 성능 개선을 달성하였습니다. (LUDB, QTDB, CNUH 데이터셋 실험)
CT–MRI 변환 딥러닝 연구: Brownian Bridge Diffusion Model, Explainable Feature-Injected Diffusion Model(EIDM)을 적용하여 CT 영상을 MRI로 변환하고, 출혈 검출 및 병변 정보 반영을 통한 임상적 활용 가능성을 탐구하였습니다.
RAG 기반 지능형 에이전트 시스템: ChatGPT 및 벡터 데이터베이스를 활용해 학사일정 및 PDF 문서 기반 맞춤형 질의응답 시스템을 개발, 대규모 텍스트·이미지 자료 분석의 효율성을 개선하였습니다.



[프로젝트 수행경험]
심전도 라벨링 웹 애플리케이션 개발: Vue.js, Flask 기반의 웹 플랫폼을 구현하여 ECG 데이터 라벨링 효율성을 크게 향상시켰으며, Pan–Tompkins 알고리즘을 적용하여 QRS 검출 기능을 지원하였습니다.
딥러닝 기반 ECG 분석 플랫폼 구축: ResNet, DWT, Bi-LSTM, Self-Attention을 통합한 하이브리드 구조 설계 및 PyTorch 환경에서 학습·검증, 성능 분석 수행.
의료 영상 3D 시각화 프로젝트: DICOM 기반 CT/MRI 데이터를 환자 단위로 관리 및 3D 시각화하는 연구 수행.



[기타 대외활동]
여러 해커톤과 프로그래밍 경진대회에 참여하여 소프트웨어 개발 직군으로 다양한 애플리케이션을 기획·구현하였습니다.