earticle

영어

Diabetes is a rapidly growing chronic disease worldwide, highlighting the importance of early diagnosis and prevention. This study develops a real-time diabetes risk prediction system using physiological signals—heart rate, skin temperature, and activity—collected via wearable devices. A dual-streaming architecture based on MQTT and Apache Kafka ensures reliable and real-time data processing. We employed a Long Short-Term Memory (LSTM) model optimized with ONNX for lightweight inference on mobile platforms. Validation on over 50,000 time-series sequences demonstrated an accuracy of 91.2% and an AUC of 0.936. The proposed system offers a practical framework for personalized health management and timely diabetes risk detection.

한국어

당뇨병은 전 세계적으로 빠르게 증가하는 만성 질환으로 조기 진단과 예방이 중요하다. 본 연구는 웨어러블 기기에서 수집한 심박수, 피부 온도, 활동량 등의 생체 신호를 활용하여 실시간으로 당뇨병 고위험군을 예측하는 시스템을 개발하는 데 목적이 있다. MQTT와 Apache Kafka 기반으로 한 이중 스트리밍 아키텍처를 통해 안정적 이고 실시간 데이터 처리를 구현하였으며, LSTM 모델을 ONNX 형식으로 경량화하여 모바일 환경에서 실시간 추론이 가능하도록 하였다. 5만 건 이상의 시계열 데이터를 대상으로 검증한 결과, 91.2%의 정확도와 0.936의 AUC를 달성하였다. 본 연구는 개인 맞춤형 건강 관리 및 당뇨병 조기 예측에 실용적인 기반을 마련한다.