Rapid Adaptation of SpO2 Estimation to Wearable Devices via Transfer Learning on Low-Sampling-Rate PPG

기술 요약: 저샘플링 레이트 PPG에 대한 전이 학습을 통한 웨어러블 기기용 SpO2 추정의 신속한 적응

문제 정의

혈중 산소 포화도(SpO2)는 심혈관 건강의 중요한 생리학적 지표로, 전통적으로 광혈류 측정법(PPG) 센서를 이용한 맥박 산소 측정기를 통해 추정됩니다. 그러나 에너지 제약이 있는 웨어러블 기기에 정확한 SpOce 추정을 배포하는 데에는 세 가지 주요 과제가 존재합니다:

1. 높은 전력 소비: 기존의 머신러닝 접근 방식은 종종 높은 PPG 샘플링 레이트(예: 100Hz)를 요구하며, 이는 배터리 수명을 단축시킵니다.
2. 임상 보정 의존성: 새로운 기기를 위한 전통적인 보정 방법은 통제된 임상 환경과 광범위한 데이터 수집을 필요로 하며, 이는 신속한 배포를 저해합니다.
3. 변동성 표현의 미흡: 임상 데이터셋은 대개 안정적인 포화도를 유지하는 경고가 있어, 실시간 모니터링에 필수적인 자발적이고 급격한 SpO2 변동(예: 수면 무호흡증 또는 호흡 곤란 시)을 포착하지 못합니다.

방법론

저자들은 저샘플링 레이트(25Hz) 이중 채널 PPG 신호를 사용하는 웨어러블 기기에 SpO2 추정 모델을 적응시키기 위해 설계된 전이 학습 기반 프레임워크를 제안합니다. 이 프레임워크는 세 가지 주요 단계로 구성됩니다:

1. 데이터 획득 및 전처리

• 공공 데이터셋 (사전 학습): 모델은 먼저 통제된 임상 환경에서 수집된 OpenOximetry 데이터셋을 통해 사전 학습됩니다. 신호(Red 660nm 및 IR 940nm)는 86Hz에서 25Hz로 푸리에 영역 리샘플링(Fourier-domain resampling)을 통해 다운샘플링됩니다.
• 프라이빗 데이터셋 (미세 조정): 커스텀 "We-Be" 웨어러블 밴드(25Hz, Red 660nm/IR 950nm)와 FDA 승인을 받은 Masimo Rad-G 기준 산소 포화도 측정기를 사용하여 프라이빗 데이터셋을 수집합니다. 일시적인 변동을 유도하기 위해 참가자들은 숨 참기 사이클을 수행합니다.
• 신호 처리: 원시 PPG 신호는 AC(맥동 성분)와 DC(기저선 성분)를 분리하기 위해 밴드패스 필터(0.5–12Hz)를 거칩니다. 정규화를 위해 AC/DC 비율이 계산됩니다. 데이터는 1초 간격의 5초 슬라이딩 윈도우를 사용하여 세그먼트화되며, 결과적으로 $N$개의 세그먼트에 대해 $(N, 125, 2)$ 형태의 입력 텐서가 생성됩니다.

2. 모델 아키텍처

핵심 머신러닝 모델은 다음으로 구성됩니다:

• BiLSTM: 이중 채널 PPG 시퀀스의 시간적 의존성을 포착하기 위한 양방향 장단기 메모리(Bidirectional Long Short-Term Memory) 네트워크입니다.
• Self-Attention 레이어: 내부 BiLSTM 특징을 쿼리(Query), 키(Key), 값(Value)으로 활용하여 시간적 표현 내의 전역적 문맥 관계를 포착합니다.
• 완전 연결(FC) 레이어: 최종 SpO2 값을 회귀합니다.
• 후처리: 출력 시퀀스를 매끄럽게 만들기 위해 이동 평균 필터(윈도우 크기 5)가 적용됩니다.

3. 전이 학습 전략

저자들은 임상 도메인에서 웨어러블 도메인으로 모델을 적응시키기 위해 두 단계의 미세 조정 전략을 사용합니다:

1. 사전 학습: 모든 모델 레이어가 공공 임상 데이터셋에서 학습됩니다.
2. 미세 조정:
   • 첫째, 프라이빗 웨어러블 데이터셋을 사용하여 FC 레이어만 미세 조정합니다.
   • 둘째, BiLSTM과 FC 레이어를 언프리즈(unfreeze)하고 프라이빗 데이터셋에서 공동으로 미세 조정합니다.
     이 접근 방식은 임상 데이터로부터 학습된 강력한 특징 추출 능력을 활용하는 동시에, 웨어러블 기기의 특정 하드웨어 및 신호 특성에 모델을 적응시키는 것을 목표로 합니다.

주요 기여

1. 에너지 효율적인 웨어러블 모니터링: 본 시스템은 25Hz 샘플링 레이트에서 작동하며, 저자들은 이를 통해 추정 정확도의 유의미한 손실 없이 표준 100Hz 샘플링 대비 PPG 전력 소비를 약 40% 감소시킬 수 있음을 입증했습니다.
2. 전이 학습을 통한 신속한 배포: 이 프레임워크는 소량의 사용자 수준 데이터를 사용하여 새로운 웨어러블 기기에 모델을 빠르게 적응시킬 수 있게 하며, 효과적으로 기기별 임상 보정의 필요성을 제거합니다.
3. 순간적 변동 포착: 모델은 급격한 SpO2 변화를 감지할 수 있으며, 이는 임상 데이터셋이 가진 일시적인 탈산소(desaturation) 이벤트 포착의 한계를 해결합니다.

실험 결과

공공 데이터셋 성능

OpenOximetry 데이터셋(25Hz로 다운샘플링됨)에 대해 제안된 BiLSTM+Attn 모델은 다음을 달성했습니다:

• 평균 절대 오차 (MAE): 2.967%
• 평균 제곱근 오차 (RMSE): 4.393%
  이 성능은 전통적인 보정 방법(MAE 3.286%) 및 기타 딥러닝 베이스라인(CNN 1d, Transformer, 표준 BiLSTM)을 크게 상회했습니다. 결과는 86Hz에서 25Hz로 다운샘플링된 후에도 핵심적인 SpO2 정보가 보존됨을 나타냈습니다.

프라이빗 데이터셋 성능

Leave-one-subject-out (LOSO) 교차 검증 전략을 사용하여 프라이빗 웨어러블 데이터셋을 평가했습니다:

• 전반적인 성능: BiLSTM+Attn+Transfer 모델은 **2.624%**의 가장 낮은 MAE와 3.214%의 RMSE를 기록하며, 전통적인 방식(MAE 4.069%)과 전이 학습을 적용하지 않은 BiLSTM+Attn 모델(MAE 2.717%)보다 우수한 성능을 보였습니다.
• 순간적 성능: "순간 구간"(SpO2 변동이 10초 이내에 3%를 초과하는 구간으로 정의됨)에서 전이 학습 모델은 **3.284%**의 MAE를 달성하여, 전통적인 방식(MAE 4.738%)에 비해 급격한 탈산소 이벤트를 추적하는 데 탁월한 능력을 보여주었습니다.

전력 소비

We-Be 밴드에서의 측정 결과, 25Hz에서 작동 시 약 9mW(기본 소모 전력 제외)를 소비하며, 이는 100Hz에서 요구되는 약 15mW와 비교했을 때 40% 감소한 수치입니다.

의의 및 주장

본 논문은 이 연구가 임상 보정 없이도 웨어러블 기기에서 정확하고 저전력인 SpO2 모니터링을 구현할 수 있는 실행 가능한 경로를 보여준다고 주장합니다. 적절한 시간적 모델(BiLSTM+Attention)을 사용한다면 저샘플링 레이트 PPG와 결합하여 다음과 같은 성과를 낼 수 있음을 저자들은 입증했습니다:

• 정확한 SpO2 추정을 위해 반드시 높은 샘플링 레이트가 필요한 것은 아닙니다.
• 전이 학습은 통제된 임상 데이터와 실제 웨어러블 데이터 사이의 도메인 격차를 효과적으로 메워 신속한 배포를 가능하게 합니다.
• 이 접근 방식은 특히 수면 무 apnea 및 호흡 곤란과 같이 순간적인 변동을 포착하는 것이 중요한 애플리케이션에 매우 효과적입니다.

저자들은 현재의 방법이 견고하지만, 향후 연구에서는 슬라이딩 윈도우 전반의 시간적 의존성을 활용하고 더 발전된 도메인 적응 기술을 채택하는 데 집중할 것이라고 결론지었습니다.