[Hinews 하이뉴스] 일상생활에서 스마트워치나 환자 모니터링 장비로 심박수를 측정하면 움직임에 따라 값이 흔들리는 경우가 많다. 특히 광용적맥파(PPG) 기반 측정은 잡음에 취약해, 보다 신뢰도 높은 분석 방법이 필요했다.

이동헌 서울대병원 영상의학과 교수 연구팀은 잡음이 섞인 광용적맥파 신호에서 심장 박동과 직접 연관된 성분만을 분리해 심박수를 분석하는 인공지능 기법을 제시했다고 밝혔다. 실제 환경에서 측정된 데이터에서도 심전도 기준 값에 더 가까운 심박수 산출이 가능함을 확인했다.

광용적맥파는 손목이나 손가락에 빛을 비춰 혈류 변화를 감지하는 방식이지만, 움직임이나 접촉 변화로 신호 왜곡이 쉽게 발생한다. 연구팀은 이러한 신호를 하나의 불완전한 데이터가 아닌, 여러 생리적 신호가 섞인 결과로 해석했다.

이에 여러 신호가 혼합된 데이터에서 의미 있는 근원 신호를 분리하는 블라인드 소스 분리(BSS) 개념을 자기지도학습 인공지능에 적용했다. 정답 정보 없이도 신호 구조를 학습하도록 설계한 것이다.

연구에는 BSS 기반 다중 인코더 오토인코더(MEAE) 모델이 활용됐다. 별도의 잡음 제거 과정 없이 수면다원검사 공개 데이터베이스(MESA)의 광용적맥파 신호를 학습시켰으며, 하나의 신호를 여러 근원 신호로 분리한 뒤 심장 박동 패턴이 가장 뚜렷한 성분을 심박수 분석에 사용했다.

성능 평가는 심전도(ECG) 기준 심박수와의 비교로 이뤄졌다. 일상 활동 중 측정된 9명의 데이터(108개 기록)에서, 광용적맥파 원 신호 대비 오차(RMSE)는 14.4±10.6 bpm에서 4.9±5.1 bpm으로 줄었고, 상관계수는 0.407에서 0.740으로 높아졌다. 수술 환자 데이터를 활용한 분석에서도 유사한 결과가 나타났다.

이번 연구는 잡음 유형에 대한 사전 정보나 인위적인 데이터 증강 없이도, 광용적맥파 신호에서 심박수 분석에 적합한 성분을 직접 분리할 수 있음을 보여준다. 임상 환경은 물론, 의료용 웨어러블 기기에서의 활용 가능성도 제시했다.

이동헌 교수는 “심장 박동 신호뿐 아니라 호흡 등 다른 생리 리듬과 연관된 신호가 구분돼 나타나는 양상도 확인했다”며 “인공지능이 신호의 구조적 차이를 스스로 학습할 수 있음을 보여주는 결과”라고 말했다.

이번 연구 결과는 생체공학 및 의료정보학 분야 국제 학술지 Computers in Biology and Medicine 최근호에 실렸다.