⚡ electrical engineering

SpO $_2$ Predictor-Guided Stage-Wise Time-Frequency Reconstruction of Low-Quality Dual-Wavelength PPG for Oxygen Saturation Estimation

본 논문은 저품질 이중 파장 PPG 신호를 효과적으로 복원하기 위해 시간 영역 파형 손실과 주파수 영역 제약을 결합한 SpO $_2$ 예측기 유도 단계별 시계열-주파수 재구성 프레임워크를 제안하며, 이를 통해 기존 방법들보다 우수한 산소 포화도 추정 정확도를 달성한다.

원저자: Zequan Liang, Elahe Hosseini, Ning Miao, Mahdi Pirayesh Shirazi Nejad, Wei Shao, Ehsan Kourkchi, Setareh Rafatirad, Houman Homayoun

게시일 2026-07-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zequan Liang, Elahe Hosseini, Ning Miao, Mahdi Pirayesh Shirazi Nejad, Wei Shao, Ehsan Kourkchi, Setareh Rafatirad, Houman Homayoun

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 스마트워치가 당신의 혈중 산소 농도를 알려주려고 노력하고 있다고 상상해 보세요. 하지만 당신의 손이 떨리고 있거나, 스트랩이 헐겁거나, 혹은 그냥 너무 많이 움직이고 있습니다. 워치가 받는 신호—화면 위의 심장 박동처럼 보이는 "PPG" 파형—는 찌그러지고, 노이즈가 섞이며, 왜곡됩니다. 이것은 마치 누군가 옆에서 드럼을 쾅쾅 치고 있는 와중에 당신이 좋아하는 노래를 들으려는 것과 같습니다. 비트는 들릴지 몰라도 멜로디는 엉망진창인 상태죠.

오랫동안 과학자들은 단순히 노이즈를 제거하는 방식으로 이 문제를 해결하려 했습니다. 마치 필터를 사용해 노래를 더 선명하게 만드는 것과 같죠. 하지만 이 논문의 저자들은 단순히 파형을 "깨끗하게" 만드는 것만으로는 충분하지 않다고 주장합니다. 그것은 고장 난 라디오를 고쳐서 잡음을 없애는 것과 같지만, 만약 수신된 채널 자체가 여전히 엉뚱한 노래를 틀고 있다면, 당신은 문제를 진정으로 해결한 것이 아닙니다. 이 논문은 신호를 시간 영역(파형의 모양)에서 완벽하게 보이게 하거나 단순히 심박수만을 보존하는 데에만 집중하는 방식에 대해 명시적으로 반대합니다. 그러한 방식들은 산소 수치를 정확하게 계산하는 데 필요한 특유의 "풍미(flavor)"를 놓치기 때문입니다.

그렇다면 그들은 무엇을 했을까요? 그들은 단순히 채소를 써는 법을 가르치는 것이 아니라, 특정 요리를 만드는 법을 가르치는 마스터 셰프와 견습생처럼 작동하는 영리한 4단계 훈련 시스템을 구축했습니다.

4단계 요리 수업

맛 테스트 (사전 학습): 먼저, 그들은 완벽하고 고품질인 신호들("신선한 재료")을 가져와서, 똑똑한 컴퓨터 뇌(SpO2 예측기)가 건강한 산소 수치가 정확히 어떤 모습인지 인식하도록 훈련시킵니다. 이 뇌는 데이터의 "맛"을 배우게 됩니다.
눈을 가린 셰프 (마스크 재구성): 다음으로, 완벽한 신호를 가져와서 그 일부를 무작위로 숨깁니다. 마치 노래의 한 구간을 테이프로 가려버리는 것과 같습니다. 그런 다음 두 번째 모델(재구성 모델)이 테이프 아래에 무엇이 있는지 추측하도록 훈련시킵니다. 하지만 여기서 반전이 있습니다. 그들은 셰프가 단순히 파형의 모양을 맞추기를 원하는 것이 아닙니다. 그들은 1단계에서 만든 "맛 테스트" 뇌를 엄격한 감독관으로 사용합니다. 만약 셰프가 추측한 모양이 겉보기에는 괜찮아 보일지 몰라도 엉뚱한 노래(잘못된 산소 수치)처럼 들린다면, 감독관은 "안 돼! 다시 해봐!"라고 소리칩니다. 이는 모델이 단순히 빈 곳을 채우는 것을 넘어, '올바른 종류'의 정보로 빈 곳을 채우도록 강제합니다.
마스터의 정교화: 셰프가 추측에 익숙해지면, "맛 테스트" 뇌가 셰프의 새로운 재구성된 신호로부터 배울 수 있도록 합니다. 이를 통해 뇌는 훨씬 더 지저도한(messy) 신호들을 읽어내는 능력이 향상됩니다.
최종 광택 작업: 마지막으로, 이제 더 똑똑해진 뇌를 사용하여 셰프를 마지막으로 한 번 더 다듬습니다. 이를 통해 모든 재구성된 신호가 최종 목표에 완벽하게 부합하도록 만듭니다.

비법 소스: 시간과 주파수

이 논문은 신호를 복구하기 위해서는 두 가지 방식으로 동시에 바라봐야 한다고 제안합니다. 노래를 상상해 보세요. 당신은 음표(시간 영역)를 들어야 할 뿐만 아니라 악보(주파수 영역)도 봐야 합니다. 저자들은 파형의 모양을 체크하는 손실 함수와 "스펙트럼" 또는 주파수 구조를 체크하는 또 다른 함수를 결합했습니다. 그들은 만약 모양만 체크한다면 주파수 세부 사항을 놓치고, 주파수만 체크한다면 모양을 놓치게 된다는 것을 발견했습니다. 둘 다 필요합니다.

효과가 있었을까요?

저자들은 두 가지 데이터 세트로 테스트를 진행했습니다. 하나는 OpenOximetry Repository라는 공개 신호 모음이고, 다른 하나는 자신들이 직접 만든 웨어러블 밴드에서 얻은 개인 데이터 세트입니다.

공개 데이터 세트에서 그들의 방식은 피험자 수준의 평균 절대 오차(MAE) **2.882%**를 달이트했습니다. 개인 데이터 세트에서는 **2.359%**를 기록했습니다. 이를 비교해 보자면, 그들의 방식은 표준 "보정(Calibration)" 방식(오차 3.460%) 및 "베이스라인" AI 모델(오차 3.063%)보다 더 높은 정확도를 보였습니다. 그들의 접근 방식이 테스트한 모든 방법 중 가장 정확했습니다.

논문은 그들의 성공에서 가장 결정적인 부분은 바로 "맛 테스트" 감독관이었다고 시사합니다. SpO2 예측기가 재구성을 가이드하도록 하는 시스템 부분을 제거했을 때, 성능은 기본적인 AI 모델보다도 못하게 떨어졌습니다. 이는 재구성이 최종 산소 수치에 신경 쓰도록 강제하는 것이 제대로 작동하게 만드는 핵심임을 시사합니다.

그들은 또한 신호의 양을 얼마나 숨기는지(1초에서 5초까지)에 따라 어떤 변화가 있는지 살펴보았습니다. 그 결과, 신호의 3초를 숨기는 것(k = 3 s)이 그들의 설정에서 최적의 지점(sweet spot)이라는 것을 발견했습니다. 흥론적이게도, 원래의 신호가 매우 노이즈가 심할 때도(품질 점수 0.6 미만), 그들의 방식은 베이스라인보다 낮은 오차를 유지했습니다. 이는 그들의 방식이 데이터 상태가 좋지 않을 때도 산소 정보를 실제로 보존하는 데 도움을 준다는 것을 시사합니다.

요약하자면, 이 논문은 노이즈가 섞인 센서 문제를 영원히 해결했다고 주장하는 것이 아닙니다. 다만, 신호 복구 모델이 단순히 신호의 "외형"이 아니라 신호의 "의미"(산소 수치)를 신경 쓰도록 훈련함으로써, 흔들리는 손목에서도 훨씬 더 정확한 건강 정보를 얻을 수 있다는 것을 제안하고 있습니다.

기술 요약: 저품질 이중 파장 PPG의 SpO2 예측기 유도 단계별 시계열-주파수 재구성

문제 정의
웨어러블 광혈류측정(PPG)을 통한 지속적인 산소 포화도( $SpO_2$ ) 추정은 장기적인 건강 모니터링에 매우 중요하다. 그러나 웨어러블 기기를 통한 데이터 획득은 움직임에 의한 아티팩트(motion artifacts), 불안정한 피부 접촉, 광학적 결합 변동으로 인해 빈번하게 저하된다. 이러한 요인들은 적색(Red) 및 적외선(Infrared) PPG 신호의 형태와 주파수 특성을 왜곡하여, 결과적으로 $SpO_2$ 예측 정확도를 떨어뜨린다. 기존의 노이즈 제거 및 재구성 방법들은 일반적으로 시간 영역의 파형 충실도나 심박수 특성에 최적화되어 있다. 저자들은 시간 영역의 손실(loss)만을 최소화하는 것은 불충분하다고 주장하는데, 이는 $SpO_1$ 추정에 필요한 주파수 구조와 생리학적 정보를 보존하지 못하기 때문이다. 또한, 지도 학습 기반의 재구성은 깨끗한 참조 신호를 필요로 하지만, 소스 신호 자체가 이미 저하된 상태에서는 이를 확보하기가 어렵다.

방법론
본 논문은 산소 포화도와 관련된 정보를 보존하면서 저품질 이중 파장 PPG 신호를 복구하도록 설계된 $SpO_2$ 예측기 유도 단계별 시계열-주파수 재구성 프레임워크를 제안한다. 이 프레임워크는 네 가지 별도의 훈련 단계를 통해 작동한다:

PPG 전처리: 원시 적색 및 적외선 PPG 신호를 AC(0.5–5 Hz) 및 DC(<0.5 Hz) 성분으로 분해한다. 정규화된 신호(AC/DC)는 10초 단위의 윈도우로 분할된다.
1단계: $SpO_2$ 예측기 사전 훈련: 신호 품질 평가(SQA)를 통해 선택된 고품질 PPG 세그먼트를 사용하여 신뢰할 수 있는 $SpO_2$ 추정기로서의 Bi-LSTM(Attention 포함)을 사전 훈련시킨다.
2단계: 예측기 유도형 PPG 재구성기 훈련: 트랜스포머(Transformer) 기반의 재구성기는 고품질 세그먼트로부터 무작위로 마스킹된 시간적 영역(1–5초)을 복구하도록 훈련된다. 모델은 다음의 **결합 재구성 목적 함수(joint reconstruction objective)**를 사용하여 최적화된다:
- 시간 영역 손실 ( $L_{time}$ ): 마스킹된 영역에서 재구성된 파형과 원본 파형 간의 차이를 최소화한다.
- 주파수 영역 손실 ( $L_{freq}$ ): 재구성된 신호와 원본 신호의 단시간 푸리에 변환(STFT) 간의 차이를 최소화하여 스펙트럼 구조를 보존한다.
- 예측기 유도 $SpO_2$ 손실 ( $L_{guide}^{SpO_2}$ ): 동결된(frozen) 사전 훈련된 $SpO_2$ 예측기가 생리학적 제약 역할을 수행한다. 손실은 재구성된 신호(마스킹되지 않은 영역과 병합됨)의 $SpO_2$ 추정 오차를 기반으로 계산되며, 이는 재구성기가 단순히 파형 오차를 줄이는 것을 넘어 $SpO_2$ 관련 형태를 보존하도록 유도한다.
3단계: $SpO_2$ 예측기 미세 조정(Refinement): 재구성기를 동결하고, 재구성된 표현(representation)에 적응할 수 있도록 전체 데이터셋(재구성기를 거친 저품질 세그먼트 포함)을 사용하여 $SpO_2$ 예측기를 추가로 훈련시킨다.
4단계: PPG 재구성기 미세 조정: 정제된 예측기를 동결하고, 개선된 생리학적 가이드를 활용하여 고품질 세그먼트에 대해 2단계의 결합 목적 함수를 사용하여 재구성기를 추가로 최적화한다.

추론(Inference) 시에는 테스트 신호의 품질이 가장 낮은 3초 구간을 마스킹하고, 이를 재구성 및 병합한 후 최종 예측기에 입력한다.

주요 기여

재구성에 대한 생리학적 제약 도입: 저자들은 사전 훈련된 $SpO_2$ 예측기가 PPG 재구성 과정을 가이드하는 전략을 도입했다. 이는 재구성된 신호가 일반적인 신호 충실도를 최적화하는 것에 그치지 않고, 다운스트림 작업에 필수적인 생리학적 정보를 유지하도록 보장한다.
결합 시간-주파수 목적 함수: 본 프레임워크는 시간 영역의 파형 손실과 STFT를 통한 주파수 영역 손실을 결합하여, 재구성이 형태적 경향과 스펙트럼 특성을 모두 보존하도록 한다.
단계별 최적화: 4단계 훈련 전략은 $SpO_2$ 예측기와 PPG 재구성기를 교대로 정제하도록 설계되어, 신호 복원과 추정 정확도의 공동 향상을 가능하게 한다.

실험 결과
본 프레임워크는 OpenOximetry Repository(191명 대상)와 개인용 웨어러블 PPG 데이터셋(9명 대상)에서 평가되었다.

성능: 제안된 방법은 비교된 모든 방법 중 가장 낮은 피험자 수준 평균 절대 오차(MAE)를 달 기록했다.
- OpenOximetry 데이터셋: 2.882% MAE (베이스라인 Bi-LSTM의 3.063%, 전통적인 캘리브레이션의 3.460% 대비).
- 개인용 웨어러블 데이터셋: 2.359% MAE.
어블레이션 연구(Ablation Studies): 예측기 유도형 $SpO_2$ 손실을 제거했을 때 가장 큰 성능 저하가 발생하였으며, 이는 해당 기능의 결정적인 역할을 확인시켜 준다. 시간 영역 또는 주파수 영역 손실 중 하나라도 제거하면 성능이 감소하였는데, 이는 파형 충실도와 스펙트럼 일관성이 모두 필요함을 나타낸다.
강건성(Robustness): 본 방법은 저품질 PPG 세그먼트(품질 점수 < 0.6)에서 베이스라인 예측기보다 개선된 성능을 보여주었으며, 이는 재구성이 $SpO_2$ 정보를 효과적으로 노이즈 제거하고 복구함을 시사한다.

의의
본 논문은 PPG 재구성을 일반적인 노이즈 제거 문제로 취급하는 것이 $SpO_2$ 추정에 있어 하위 최적(suboptimal)이라고 주장한다. 재구성 목적을 예측기 유도 제약을 통해 다운스트림 생리학적 작업과 일치시킴으로써, 제안된 프레임워크는 우수한 추정 정확도를 달 achieves 한다. 결과적으로, 신호 복구 과정에서 $SpO_2$ 관련 정보를 보존하는 것이 단순히 재구성 오차를 최소화하는 것보다 더 효과적임을 입증하였으며, 이는 움직임 아티팩트와 신호 저하가 존재하는 환경에서도 웨어러블 헬스 모니터링을 위한 강력한 솔루션을 제공한다.

유사한 논문