Generalizable Blood Pressure Estimation from Multi-Wavelength PPG Using Curriculum-Adversarial Learning

기술 요약: 다파장 PPG를 이용한 일반화 가능한 혈압 추정: 커리큘럼-적대적 학습(Curriculum-Adversarial Learning)을 중심으로

문제 정의
정확하고 일반화 가능한 혈압(BP) 추정은 심혈관 질환, 특히 고혈압 관리에 있어 매우 중요하다. 웨어러블 광혈류측정(PPG)은 기존의 커프 방식(oscillometric methods)에 대한 비침습적이고 커프가 없는 대안을 제공하지만, 기존의 머신러닝 접근 방식은 두 가지 중요한 한계에 직면해 있다. 첫째, 많은 연구가 단일 파장 PPG 신호에만 의존하여 다파장 데이터에서 얻을 수 있는 상보적인 정보를 간과한다. 둘째, 더 결정적으로, 많은 연구가 세그먼트 단위의 무작위 분할(random segment-level splitting)과 같은 부적절한 데이터 분할 전략을 사용한다. 이는 훈련 세트와 테스트 세트가 피험자 특유의 정보를 공유하게 만들어 데이터 누수(data leakage)를 초ellig 발생시키며, 이로 인해 성능이 과대평가되고 새로운 개인에 대한 일반화 성능이 저하된다.

방법론
저자들은 공공 4파장 PPG 데이터셋(660nm, 730nm, 850nm, 940nm)을 활용한 일반화 가능한 혈압 추정 프레임워크를 제안한다. 이 접근 방식의 핵심은 멀티 채널 합성곱 신경망(CNN) 구조를 기반으로 한 커리큘럼-적대적 학습(Curriculum-Adversarial Learning) 전략이다.

1. 데이터 전처리 및 특징 추출:

   • 본 파이프라인은 데이터 누수를 제거하기 위해 엄격한 피험자 수준 데이터 분할(훈련/테스트 비율 4:1)을 강제한다.
   • PPG 신호는 대역 통과 필터링(0.5–8 Hz)과 Z-score 정규화를 거친다.
   • 시간적 역동성과 피크 정보를 포착하기 위해 1차 및 2차 미분과 상부 포락선(upper envelopes)을 통해 특징을 추출한다.
   • 각 4개 PPG 채널은 두 개의 병렬 CNN 브랜치를 통해 처리된다: 하나는 정규화된 신호와 미분을 위한 것이고, 다른 하나는 포락선을 위한 것이다. 이로 인해 채널당 6개의 입력 스트림이 생성된다.

2. 멀티 채널 융합:

   • CNN 브랜치에서 추출된 특징 벡터는 **어텐션 메커니즘(attention mechanism)**을 사용하여 융합된다. 이 레이어는 각 채널에 소프트 가중치를 할당하여, 하위 태스크의 입력으로 사용될 가중 합계를 생성한다.

3. 커리큘로-적대적 학습 (Curriculum-Adversarial Learning):
   모델은 세 가지 별도의 헤드와 복합 손실 함수를 가지고 학습된다:

   • 커리큘럼 학습 (Curriculum Learning): 모델은 거친 수준(coarse-level)에서 미세한 수준(fine-grained)의 태스크로 유도된다. 초기에는 이진 교차 엔트로피(BCE) 손실을 사용하여 고혈압 상태(SBP ≥130 mmHg 또는 DBP ≥90 mmHg)를 예측하는 이진 분류기를 수행한다. 학습이 진행됨에 따라, 모델의 초점은 평균 제곱 오차(MSE) 손실을 사용하는 혈압 회귀(SBP 및 DBP 값 추정)로 이동한다. 적응형 가중치($\lambda_1$)가 분류에서 회귀로 손실 함수를 전환시킨다.
   • 도메인-적대적 학습 (Domain-Adversarial Training): 피험자 간 일반화 능력을 높이기 위해, 도메인-적대적 판별기(discriminator)는 피험자의 신원을 식별하려고 시도한다. 역전파 과정에서 그래디언트 반전 레이어(Gradient Reversal Layer, GRL)가 사용되어 그래디언트를 반전시킴으로써, 특징 추출기가 판별기를 혼란스럽게 만드는 **피험자 불변 특징(subject-invariant features)**을 학습하도록 강제한다. 이 구성 요소는 범주형 교차 엔트로피(CE) 손실을 사용한다.
   • 전체 손실 (Total Loss): 목적 함수는 $L = \lambda_1 L_{reg} + (1 - \lambda_1) L_{cls} - \lambda_2 L_{adv}$로 결합되며, 여기서 $\lambda_2$는 적대적 기여도를 조절한다.

주요 기여

1. 엄격한 피험자 수준 평가: 저자들은 공공 4파장 데이터셋을 사용하면서도 엄격한 피험자 수준 분할을 적용하여, 기존 문헌에서 흔히 발생하는 데이터 누수 문제를 해결했다.
2. 다파장 특징 융합: 본 연구는 단일 채널 입력을 사용하는 대신, 네 가지 서로 다른 파장(660nm, 730nm, 850nm, 940nm)에 걸쳐 상보적인 특징을 추출하고 융합하는 것의 효용성을 입증한다.
3. 커리큘럼-적대적 프레임워크: 본 논문은 임상적 패턴과 피험자 불변 특징을 동시에 포착하기 위해 커리큘럼 학습(분류-회귀 전환)과 도메인-적대적 학습을 결합한 새로운 프레임워크를 도입한다.

실험 결과
실험은 180명의 피험자(고혈압 환자 66명 포함) 데이터셋을 대상으로 수행되었다. 제안된 방법은 단일 채널 모델 및 기존의 다파장 베이스라인(A-BiLSTM, MLP, CNN1D, Multi-CNN)과 비교되었다.

• 성능: 엄격한 피험자 수준 분할 하에서, 제안된 방법은 수축기 혈압(SBP)에 대해 14.2 mmHg, 이완기 혈압(DBP)에 대해 6.4 mmHg의 평균 절대 오차(MAE)를 달축했다.
• 멀티 채널의 이점: 전체 멀티 채널 융합 모델은 단일 채널 모델보다 일관되게 우수한 성능을 보였다. 660nm 채널은 SBP에 대해, 940nm 채널은 DBP에 대해 개별적으로 가장 좋은 성능을 보였으나, 융합 모델은 가장 낮은 MAE와 가장 높은 영국 고혈압 협회(BHS) 등급 점수(예: SBP 예측의 57.6%가 15 mmHg 이내)를 달성했다.
• 비교: 제안된 접근 방식은 백본 모델인 Multi-CNN을 포함한 모든 베이스라인을 능가하였으며, 이는 커리큘럼 및 적대적 구성 요소의 가치를 입증한다.
• 절제 연구 (Ablation Study): 분류 헤드(커리큘럼) 또는 적대적 판별기 중 하나를 제거하면 MAE가 높아졌으며, 이는 두 구성 요소 모두 최적의 성능을 위해 필수적임을 확인시켜 준다.

의의 및 주장
본 논문은 데이터 분할을 통해 데이터 누수를 제거함으로써 혈압 추정 능력에 대한 보다 현실적이고 견고한 평가를 제공한다고 주장한다. 저자들은 엄격한 프로토콜 적용으로 인해 (데이터 누수가 있었을 수 있는) 이전 연구들에 비해 보고된 오차가 더 높게 나타날 수 있음을 언급하며, 본 모델이 고혈압 선별 및 장기적 추세 모니터링에 강력한 잠재력을 가지고 있음을 강조한다.

저자들은 현재의 정확도에 대해 겸허한 입장을 유지하며, 특히 극단적인 혈압 범위나 신호 품질이 저하된 상황에서는 여전히 개선의 여지가 있다고 언급했다. 결론적으로, 상보적인 다파장 정보를 커리큘럼-적대적 전략과 결합하여 활용하는 것이 정확하고 일반화 가능한 커프리스 혈압 추정을 향한 실행 가능한 경로를 제공한다는 점을 밝히며, 향후 추가적인 데이터 수집 및 신호 품질 평가 강화를 계획하고 있다.