The advent of continuous healthcare monitoring in daily life has led to an exponential surge in demand for wearable devices capable of routinely tracking and managing bio-signals. This increase in demand, complicated by the simultaneous need for enhanced performance for proactive health management and small, durable devices, necessitates the evolution of power-efficient sensor interface systems. This study identifies the issues of power wastage inherent in traditional sensor interface circuit design and proposes a system that operates with enhanced power efficiency. This system, utilizing machine learning software for the adaptive control of photoplethysmography (PPG) circuits, is validated through Simulink modeling. By analyzing analog circuits from a system perspective, the study not only improves power efficiency but also introduces novel possibilities in the field of adaptive control of analog systems, leveraging machine learning tools.
일상에서의 지속적인 건강 관리가 보편화되면서, 생체 신호의 꾸준한 측정과 관리가 가능한 웨어러블 기기에 대한 수요가 크게 증가하고 있다. 적극적인 건강 관리를 가능하게 하는 향상된 성능에 대한 수요 증가와 작은 크기의 오랫동안 사용 가능한 기기에 대한 요구가 상충하여, 전력 효율적인 센서 인터페이스 시스템 개발이 필요하다. 본 논문에서는 기존의 센서 인터페이스 회로 설계 방법에서 발생하는 전력 낭비 문제를 인식하고, 기계 학습 소프트웨어를 이용하여 광혈류 측정 회로를 적응적으로 제어함으로써, 전력 효율적으로 동작할 수 있는 센서 인터페이스 시스템을 시뮬링크 모델링을 통해 검증한다. 이 연구는 아날로그 회로를 시스템 관점에서 분석하여 전력 효율을 향상하고, 기계 학습 도구를 활용한 아날로그 시스템의 적응적 제어 영역에 새로운 가능성을 제시한다.
