Interpretable machine learning for identifying individual-specific cardiogram signatures

기술 요약: 개인별 심전도 시그니처 식별을 위한 설명 가능한 머신러닝

문제 정의
심전도(ECG) 및 임피던스 심전도(ICG) 신호는 생체 인식 능력 덕분에 유망한 생체 인식 모달리티로 확립되었으나, 기존 연구는 해석 가능성보다는 예측 성능에 주로 집중해 왔다. 어떤 특정 생리학적 특징이 개인의 정체성을 인코딩하는지, 그리고 이러한 특징들이 정서적 가변성 하에서 어떻게 행동하는지에 대한 이해에는 여전히 중요한 격차가 존재한다. 분노와 같이 각성 수준이 높은 상태와 같은 정서적 상태는 심장 형태를 변화시켜 인증 정확도를 저하시킬 수 있다. 또한, 이 분야는 안정적인 개인 특이적 생리학적 매개체와 일시적인 정서적 신호를 구분하는 데 있어 명확성이 부족하다. 본 연구는 블랙박스 모델에서 벗어나, ECG 및 ICG 특징의 구체적인 변별적 기여도를 식별하고 정서적 상태에 대한 이들의 견고성을 파악하는 투명한 시스템으로 전환할 필요성을 다룬다.

방법론
본 연구는 202명의 건강한 젊은 성인을 대상으로 기저 상태(baseline) 및 분노 조건에서 동시에 기록된 ECG 및 ICG 신호의 공개 데이터셋을 활용한다. 방법론은 다음과 같은 포괄적인 다중 경로 분석 파이프라인을 채택한다:

1. 특징 추출(Feature Extraction): 네 가지 영역(시간적 간격, 진폭, 기울기, 형태학적 특징)에 걸쳐 29개의 특징을 추출하였다. 여기에는 QRS 복합체, T파, 그리고 ICG의 BCX 복합체로부터 얻은 주요 지점(fiducial points)이 포함된다.
2. 기저 모델링(Baseline Modeling): 모든 29개 특징을 사용하여 Random Forest(RF) 분류기를 학습시켜 성능 벤치마크(정확도 99.17%)를 설정하였다.
3. 특징 중요도 분석(Feature Importance Analysis): 특징 순위를 매기기 위해 세 가지 별도의 해석 가능성 방법을 적용하였다: Gini 중요도, 순열 특징 중요도(permutation feature importance), 그리고 SHAP(Shapley additive explanations). 각 방법에서 도출된 상위 10개 특징의 교집합을 통해 합의된 부분 집합을 형성하였다.
4. 특징 선택(Feature Selection): 데이터 기반 선택 기법인 교차 검증을 포함한 재귀적 특징 제거(RFECV)와 유전 알고리즘(GA)을 사용하여 최적의 특징 부분 집합을 식별하였다. 이 부분 집합들의 교집합을 통해 압축된 특징 집합을 정의하였다.
5. 상관관계 및 클러스터 분석(Correlation and Cluster Analysis): 피어슨(Pearson) 및 스피어먼(Spearman) 상관계수를 계산하여 고도로 상관된 특징 클러스터($|r| > 0.7$)를 식별하였다. 다중공선성이 특징 중요도에 미치는 영향을 평가하기 위해 상관된 쌍을 셔플링하고 중요도 점수의 변화를 관찰하였다.
6. 정서적 민감도 분석(Emotional Sensitivity Analysis): 기저 상태와 분노 세그먼트 간의 특징을 통계적으로 비교하여 정서 민감 특징(유의미한 특징)과 정서 비민감 특징(비유의미한 특징)을 식별하였다. RF 모델을 세 가지 특정 부분 집합(전체 특징, 정서 비민감 특징만 포함, 정서 민감 특징만 포함)에 대해 재학습시켜 세그먼트 간 일반화 성능을 평가하였다.

주요 결과

• 특징 중요도: ECG 유래 특징, 특히 QRS 복합체를 기술하는 특징(진폭, 기울기 및 형태)이 모든 해석 방법에서 일관되게 가장 중요한 것으로 나타났다. ICG 유래 BCX 특징은 보완적인 정보를 제공했으나 순위의 안정성은 더 낮았다.
• 다중공선성: 분석 결과 상당한 다중공선성이 드러났으며, 고도로 상관된 7개의 뚜렷한 특징 클러스터가 식별되었다. RF 모델은 이러한 상관된 쌍에 중요도 점수를 분산시켰으며, 이는 상관된 특징들이 독립적인 기여도가 감소함을 확인시켜 주었다.
• 특징 선택 효율성: RFECV와 GA 선택의 교집합을 통해 12개의 압축된 특징 부분 집합을 도출하였다. 이 부분 집합으로 RF 모델을 재학습시킨 결과 98.17%의 정확도를 달라는 기록하였는데, 이는 전체 29개 특징 모델(99.17%)과 1% 이내의 차이로, 차원 축소가 변별력을 희생하지 않으면서도 저장 및 계산 효율성을 크게 향상시킬 수 있음을 입증한다.
• 정서적 안정성: 통계적 분석을 통해 기저 상태와 분노 상태 사이에서 유의미하게 차이가 나는 14개의 특징을 식별하였다. 결정적으로, 가장 변별력이 높은 QRS 유래 특징들(예: RQ_amp, RS_amp, QR_slope)은 정서적 상태 전반에 걸쳐 안정적으로 유지되었다. 반면, T파 및 특정 ICG 간격과 관련된 특징들은 유의미한 변동성을 보였다.
• 일반화 성능: 정서 민감 특징만을 사용하여 학습된 모델은 교차 세그먼트 일반화에서 낮은 성능(66–72% 정확도)을 보였다. 반대로, 정서 비민감 특징만을 사용하여 학습된 모델은 높은 세그먼트 내 정확도를 유지했으나, 전체 모델과 비교했을 때 교차 정서 일반화 성능을 유의미하게 개선하지는 못했다. 이는 민감한 특징을 제거하는 것만으로는 정서적 가변성이 식별에 미치는 영향을 완전히 완화할 수 없음을 시사한다.

의의 및 기여
본 논문은 생체 인식 시스템에서 머신러닝의 결정을 생리학적으로 의미 있는 구성 요소와 연결하는 청사진을 제공한다고 주장한다. 주요 기여는 다음과 같다:

1. 안정적인 정체성 매개체 식별: 본 연구는 ECG의 QRS 복합체, 특히 진폭 및 기울도 기술자가 분노의 영향 하에서도 견고하게 유지되는 개인 특이적 정보의 주요 안정적 매개체 역할을 한다는 것을 입의 확립하였다.
2. 해석 가능성 프레임워크: 여러 해석 방법을 통합함으로써, 본 연구는 예측 정확도를 넘어 모델이 '왜' 작동하는지를 설명하며, 안정적인 해부학적/전기생리학적 특성과 일시적인 정서적 변조를 구분한다.
3. 효율적인 특징 부분 집합: 거의 완전한 성능을 유지하는 12개 특징의 부분 집합을 식별함으로써, 효율적인 실시간 생체 인증 시스템 개발을 위한 실질적인 경로를 제시한다.
4. 정서적 견고성에 대한 통찰: 정서적 상태가 특정 심전도 특징을 변화시키지만, QRS 복합체에 인코딩된 핵심 정체성 정보는 대체로 온전하게 유지된다는 점을 명확히 하였다. 이는 안정적인 생리학적 불변량에 의존하는 인증 시스템 개발을 뒷받침한다.

본 연구는 심전도 신호가 여러 층위의 정보를 포함하고 있다고 결론짓는다: QRS 복합체에 집중된 안정적인 정체성 특성, T파 및 ICG로부터 오는 보완적이지만 덜 안정적인 단서, 그리고 일시적인 정서적 신호이다. 제안된 프레임워크는 이러한 층위들을 구분하는 데 도움을 주어, 더욱 견고한 생리학적 인증과 안정적인 개인 관련 특성에 대한 향후 연구를 지원한다.