An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning

기술 요약: PPG 신호를 이용한 혈당 추정에 관한 탐색적 연구

문제 정의
당뇨병 관리는 연속 혈당 측정(CGM)에 크게 의존하고 있으나, 기존의 CGM 장치는 피부를 찔러야 하는 침습적인 방식이며 감염 및 자극의 위험을 수반한다. 비침습적 대안이 필요하지만, 생체 신호를 이용해 혈당을 추정하는 기존의 머신러닝(ML) 접근 방식은 밀도가 높고 장기간 지속된 쌍(paired) 데이터의 부족으로 인해 어려움을 겪는 경우가 많다. 광혈류측정(PPG) 신호를 활용한 이전 연구들은 대개 매우 짧은 시간(종종 3분 미만) 동안 데이터를 기록했거나, PPG 신호를 장기간의 연속 혈당 측정값과 결합하는 데 실패하여 견고한 딥러닝 모델을 훈련하는 능력을 제한했다.

방법론
저자들은 스마트워치로 캡처된 비침습적 PPG 신호를 사용하여 혈당 수치를 추정하기 위한 머신러닝 기반 프레임워크를 제안한다. 방법론은 고유한 데이터셋 구축과 특정 신호 처리 및 모델링 기술의 적용을 중심으로 구성된다:

• 데이터셋 구축: 5명의 자원봉사자(남성 3명, 여성 2명)를 대상으로 14일 동안 모니터링하여 쌍을 이룬 데이터셋을 구축하였다.
  • PPG 데이터: Empatica EmbracePlus 스마트워치를 통해 64Hz 샘采样 속도로 수집되었다.
  • 혈당 데이터: Freestyle Libre CGM 장치를 통해 동시에 수집되었다(초기에는 15분 간격으로 기록됨).
  • 윤리 준수: 본 연구는 기관 윤리 위원회(IRB)로부터 사전 승인을 받았다.
• 데이터 전처리:
  • 보간법(Interpolation): 고주파 PPG 데이터(64Hz)와 저주파 혈당 데이터(15분 간격) 사이의 불일치를 해결하기 위해, 혈당 값에 큐빅 스플라인 보간법(cubic spline interpolation)을 적용하였다. 이를 통해 매끄러운 혈당 곡선을 생성함으로써, 모든 PPG 타임스텝이 그에 대응하는 혈당 값과 쌍을 이룰 수 있는 조밀한 훈련 세트를 생성할 수 있었다.
  • 특징 추출(Feature Extraction): 노이즈를 완화하고 여러 심장 주기를 포함하도록 원시(raw) PPG 신호에 슬라이딩 윈도우 프레임워크(60초 윈도우, 50% 중첩/30초 스트라이드)를 적용하였다. pyPPG 라이브러리를 사용하여 윈도우당 918개의 특징을 추출하였으며, 포함된 항목은 다음과 같다:
    • 시간 영역 특징: 최대/평균 진폭, 왜도(skewness), 첨도(kurtosis), 에너지.
    • 주파수 영역 특징: 우세 주파수, 총 전력.
    • 심박 변이도(HRV) 특징: 평균 심박 간격, NN 간격의 표준 편차, 분당 심박수.
• 모델링: 두 개의 은닉층(각 100개 뉴런)과 ReLU 활성화 함수를 가진 다층 퍼셉트론(MLP)이 사용되었다. 모델은 Adam 옵티마이저를 사용하여 최적화되었다. 실험에는 동일 피험자에 대한 훈련/테스트, 미세 조정을 통한 특정 피험자 맞춤형 모델링, 그리고 10, 15, 20분의 시차($\tau$)를 둔 혈당 예측이 포함되었다.

주요 결과
본 연구는 잠재력과 상당한 한계를 동시에 보여주는 예비 실험 결과를 제시한다:

• 동일 피험자 성능: 동일 피험자에 대해 훈련 및 테스트를 수행했을 때(시간적 80-20 분할), 모델은 서로 다른 날짜에 대해 7.65%에서 14.28% 사이의 평균 절대 백분율 오차(MAPE)를 기록했으며, 평균 MSE는 0.65였다.
• 개인화: 일반 모델을 특정 피험자의 데이터로 미세 조정했을 때 평균 절대 오차(MAE)는 1.0581, RMSE는 3.5597로 나타났다. 그러나 모델은 체계적인 과소 추정(편향 -0.6850)을 보였다.
• 동기화 문제: 낮은 RMSE 값에도 불구하고, Lin의 일치 상관 계수(CCC)는 0.0142로 매우 낮았는데, 이는 모델의 예측이 실제 혈당 추세와 효과적으로 동기화되지 않았음을 나타낸다.
• 시차 예측: 미래의 혈당 값(10~20분 앞)을 예측하는 것은 상당한 불안정성과 피험자 간의 성능 편차를 보였다.
• 임상 안전성 평가: Clarke 오류 격자(Clarke Error Grid)를 사용했을 때, 예측값의 73.64%만이 Zone A(임상적으로 정확함)에 속했다. 결정적으로, 25.63%의 예측값이 잘못된 처방을 유도할 수 있는 위험한 오류인 Zone E에 속했다. 결과적으로 ISO 15197:2013 표준을 충족하지 못했다.

핵심 기여

1. 조밀한 쌍 데이터셋: 본 연구의 주요 기여는 고주파 스마트워치 PPG 신호와 연속 혈당 측정 장치의 혈당 데이터를 연결하는 조밀하고 장기간(14일) 지속된 쌍 데이터셋을 구축하고 공개한 것이다. 이는 해당 분야의 데이터 부족 문제를 해결한다.
2. 탐색적 분석: 본 논문은 이 작업에 MLP를 사용하는 것에 대한 기초적인 평가를 제공하며, 예측 신호가 존재함에도 불구하고 현재의 모델들이 동기화 및 임상적 정확도 측면에서 어려움을 겪고 있음을 입증한다.
3. 방법론적 프레임워크: 본 연구는 보간 전략 및 PPG 신호의 특징 공학을 포함하여, 서로 다른 샘플링 속도를 가진 다중 모드 데이터를 처리하기 위한 파이프라인을 상세히 설명한다.

의의 및 주장
저자들은 이 작업을 확정적인 솔루션이 아닌 탐색적 연구로 규정한다. 저자들은 PPG 데이터 내에 예측 신호가 존재함을 시사하면서도, 현재의 모델은 아직 임상 배포에 적합하지 않다고 명시적으로 밝히고 있다. 논문은 낮은 CCC와 높은 위험한 오류 비율(Zone E)을 강조하며, 정확성이나 접근성에 관한 어떠한 주장도 하기 전에 광범위한 추가 검증과 임상 시험이 필수적임을 강조한다. 본 연구의 의의는 준비된 의료 기기를 제공하는 것이 아니라, 비침습적 혈당 모니터링에 대한 추가 연구를 촉발하기 위한 기초 자원(데이터셋)과 예비 통찰력을 제공하는 데 있다.