비접촉 방식의 바이탈 신호의 모니터링은 편의성으로 인하여 디지털 헬스케어 분야에서 많은 관심을 가지게 되었다. 삶의 질 저하 뿐 아니라 많은 질병의 원인이 되는 수면 무호흡을 진단하기 위하여 비접촉 호흡 측정 시스템 구성에 관한 많은 연구가 진행되고 있다. 비접촉 호흡 측정센서의 문제점은 움직임에 따른 노이즈를 분별하기 어려운 문제점을 가지고 있다. 본 문제를 해결하기 위하여 CNN 기반의 딥러닝 모델로 지능형 호흡검사 시스템을 구현하였다. CNN의 학습 데이터는 비접촉식 UWB 레이더 거리 측정 기술로 가슴의 움직임 측정을 통해 호흡상태를 측정하였다. 비접촉 UWB 호흡센서 데이터를 사용하여 호흡, 무호흡, 노이즈(움직임)로 구분하여 라벨링하여 학습데이터를 구성하였다. 오프라인 학습이 완료된 후에는 온라인으로 호흡상태를 측정하여 움직임으로 발생하는 오류 문제를 딥러닝 학습을 통하여 해결하였다.

Non-contact monitoring of vital signals has attracted much interest in the digital healthcare field due to its convenience. Much research is being conducted on the construction of a non-contact respiration measurement system to diagnose sleep apnea, which not only reduces quality of life but also causes many diseases. The problem with non-contact respiration sensors is that it is difficult to discern noise caused by movement. To solve this problem, an intelligent respiratory monitoring system was implemented using a CNN-based deep learning model. CNN"s learning data measured breathing status by measuring chest movement using non-contact UWB radar distance measurement technology. Using non-contact UWB respiration sensor data, learning data was constructed by labeling it into respiration, apnea, and noise(movement). After offline learning was completed, breathing status was measured online, and the problems caused by movement were solved through deep learning.