Deep-Learning Based ECG-free Heart-Carotid Pulse Transit Time Estimation from Laser Doppler Vibrometry

기술 요약: 레이저 도플러 진동계(LDV)를 이용한 딥러닝 기반의 ECG 불필요 심장-경동맥 맥파 전달 시간(PTT) 추정

문제 정의
동맥 경직도는 심혈관 질s(CVD) 위험을 나타내는 중요한 바이오마커이며, 흔히 맥파 속도(PWV)를 통해 평가된다. PWV는 두 동맥 지점 사이의 압력파 시간 지연인 맥파 전달 시간(PTT)을 측정하여 계산된다. 레이저 도플러 진동계(LDV)는 동맥 부위(특히 심장과 경동맥)의 피부 변위 및 가속도를 측정하여 PTT를 추정하는 비침습적 방법을 제공하지만, 현재의 자동화된 접근 방식은 상당한 난관에 봉착해 있다. 전통적으로 정확한 PTT 추정을 위해서는 심박동 시작(R-peak)을 식기 위해 심전도(ECG)를 동시에 측정해야 한다. 그러나 ECG 전극을 통합하는 것은 측정 절차를 복잡하게 만들고, 설정 시간을 늘리며, 사용 편의성을 저하시켜 향후 상용 LDV 장비에는 부적합하게 만든다. 기존의 ECG 불필요 대안인 템플릿 매칭(TM)은 경직된 분석 모델과 사전 정의된 템플릿에 의존하며, 이는 신호 품질에 민감하고 엄격한 품질 임계값으로 인해 상당수의 피험자를 처리하지 못하는 경우가 많다.

방법론
본 연구는 병렬적인 ECG 획득 없이도 완전히 자동화된 PTT 추정을 가능하게 하기 위해, LDV 데이터로부터 직접 "ECG-프록시(ECG-proxy)" 신호를 생성하는 딥 뉴럴 네트워크(DNN) 접근 방식을 제안한다.

• 데이터 소스: 두 개의 데이터베이스가 활용되었다. CARDIS 데이터베이스(고혈압 환자 100명)는 DNN 학습, 검증 및 테스트를 위한 20초 분량의 기록을 제공하였다. INSIDE 데이터베이스(피험자 100명)는 수동 참조값에 대한 최종 PTT 추정 성능을 벤치마킹하기 위한 완전히 새로운 데이터셋으로 사용되었다.
• 신호 처리 및 타겟 생성:
  • LDV 신호(피부 가속도)는 6개의 레이저 채널이 탑재된 핸드피스를 가진 프로토타입을 사용하여 경동맥 및 심장 부위에서 기록되었다.
  • DNN 학습을 위해, 원시 ECG 신호를 타겟 신호($E'(n)$)로 변환하였다. 이 과정은 R-peak를 크로네커 델타 함수를 이용한 펄스 열로 변환한 후 가우시안 필터($\sigma=75$ 샘플)로 컨볼루션하는 과정을 포함한다. 이러한 변환은 평균 제곱 오차(MSE) 손실 함수를 위한 학습 과제를 단순화하면서도 심장 타이밍 정보를 보존한다.
• DNN 아키텍처: 수정된 Wave-U-Net 아키텍처가 채택되었으며, 이는 인코더와 디코더 블록 모두에 4개의 컨볼루션 레이어, 배치 정규화, ReLU 활성화 함수, 그리고 문맥 인지형 셀프 어텐션을 위한 바틀넥(bottleneck) 내 트랜스포머 레이어를 특징으로 한다. 모델은 4초 길이의 LDV 세그먼트를 대응하는 ECG-프록시 신호로 매핑한다.
• PTT 추정 워크플로:
  1. 세그먼테이션(Segmentation): DNN은 경동맥 LDV 신호로부터 ECG-프록시($\hat{E}'(n)$)를 예측한다. 이 프록시에 피크 검출(Peak detection)을 적용하여 심박동 시작점을 식별한다.
  2. 품질 제어: 예측된 피크의 에너지를 기반으로 신호 대 잡음비(SNR) 지표($\zeta$)를 계산하여 품질이 낮은 채널을 필터링한다. 높은 $\zeta$ 값을 가진 채널만이 세그먼테이션에 사용된다.
  3. 기준점(Fiducial Point) 검출: 세그먼트가 된 에포크(epoch) 내에서 생리학적으로 정의된 윈도우 내의 기준점을 식별한다: 경동맥의 dicrotic notch(DN)와 심장 신호의 두 번째 심음(S2) 최솟값 직전의 첫 번째 섭동(perturbation).
  4. 계산: PTT는 이 기준점들 사이의 시간 차이로 계산된다. 최종 PTT는 최소 추정 횟수(예: 20초 동안 50회 이상)가 충족되는 경우, 모든 유효한 채널 조합의 중앙값이다.

주요 기여

• ECG 불필요 세그먼테이션: 본 연구의 주요 기여는 LDV 신호로부터 ECG-프록시를 성공적으로 생성하는 DNN을 개발하여, 임상 LDV 설정에서 병렬적인 ECG 기록의 필요성을 제거한 것이다.
• 신호 품질에 대한 강건성: 본 연구는 가변적인 신호 품질을 더 효과적으로 처리할 수 있도록 DNN 자체 출력에서 유도된 새로운 SNR 기반 지표를 도입하여 채널을 필터링한다. 이는 기존의 경직된 템플릿 매칭 알고리즘보다 우수하다.
• 벤치마킹: 본 연구는 (1) ECG를 사용한 수동 참조 방식, (2) ECG 기반 자동화 방식, (3) 최신 기술인 템플릿 매칭(TM) 방식, (4) 제안된 DNN 기반 방식 간의 포괄적인 비교를 제공한다.

결과

• 심박동 검출: DNN은 테스트 세트에서 68%, 검증 세트에서 **77%**의 심박동 시작을 정확하게 예측하였다. 예측된 피크와 참조 피크 사이의 평균 시간 거리는 약 4–6 샘플(1 kHz에서 4–6 ms)이었다.
• PTT 상관관계: 미지의 INSIDE 데이터베이스(100명)에 적용했을 때:
  • DNN 기반 방식은 64명의 피험자에 대해 유효한 PTT 추정치를 생성하였으며, 수동 참조값과 $\rho = 0.71$ ($p < 0.001$)의 상관관계를 달성하였다.
  • 템플릿 매칭(TM) 방식은 46명의 피험자에 대해서만 유효한 추정치를 생성하였으며, 상관관계는 $\rho = 0.69$ ($p < 0.001$)였다.
  • ECG 기반 자동화 방식(세그먼테이션을 위해 그라운드 트루스 ECG 사용)은 90명에 대해 $\rho = 0.69$를 달성하였다.
• 통계적 유의성: Wilcoxon 부호 순위 검정 결과, DNN, TM, 그리고 ECG 기반 방식이 생성한 PTT 값 사이에는 통계적으로 유의미한 차이가 없었다. 그러나 DNN 방식은 TM 방식에 비해 훨씬 더 많은 수의 피험자를 성공적으로 처리함으로써 우수한 포괄성을 입증하였다.

의의 및 주장
저자들은 DNN 기반 접근 방식이 ECG 전극의 물류적 부담 없이 LDV 신호에서 강건하고 자동화된 심박동 세그먼테이션을 가능하게 하는 유효한 "ECG-프록시"를 제공한다고 주장한다. DNN 방식의 상관 계수가 템플릿 매칭 및 ECG 기반 방식과 유사함에도 불구하고, 이 방식의 주요 장점은 **포괄성(Inclusivity)**에 있다. 즉, 가변적인 신호 품질이 존재하는 상황에서도 TM 방식(46명)보다 더 많은 수의 피험자(64명)에 대해 신뢰할 수 있는 PTT 추정치를 성공적으로 생성한다. 본 연구는 이 기술이 관련 신호 유형에 맞춰 DNN을 재학습시킨다면, 경동맥-대퇴 동맥 PWV 추정이나 부정맥 검출과 같은 더 넓은 생물 의학적 LDV 응용 분야로 확장될 잠재력이 있음을 보여준다. 본 연구는 이러한 발전이 사용자 친화적인 비침습적 동맥 경직도 모니터링 장치의 임상 배치를 위한 필수적인 단계임을 강조한다.