서울대병원, 광용적맥파에서도 심박수 정확히 분석하는 AI 제시

이동헌 교수 연구팀, 블라인드 소스 분리 기반 자기지도학습 AI로 심장 박동 관련 신호 분리

▲(왼쪽)광용적맥파 측정 원리 개념도. 스마트워치의 빛으로 혈류 변화를 감지해 심박수를 측정한다. (오른쪽)파란색 선은 심전도, 초록색 선은 광용적맥파 원 신호, 빨간색 선은 인공지능으로 분리된 근원 신호. 분리된 근원 신호에서는 심전도 기준 심장 박동 시점과 일치하는 피크가 뚜렷하게 나타난다. (서울대병원)

이동헌 서울대병원 영상의학과 교수 연구팀은 잡음 섞인 광용적맥파(PPG) 신호에서 심장 박동과 직접 관련된 신호 성분만을 분리해 심박수를 정확하게 분석하는 인공지능(AI) 기반 분석 방법을 고안했다고 7일 밝혔다.

연구팀은 실제 환경에서 측정된 광용적맥파 신호에서 심장 박동에 해당하는 근원 신호를 분리해 이를 바탕으로 심박수를 계산했다. 그 결과 광용적맥파 신호를 그대로 사용했을 때보다 심전도로 측정한 값에 더 가깝게 개선됐다.

광용적맥파는 손목이나 손가락에 빛을 비춰 혈류 변화를 감지해 심박수를 측정하는 생체 신호다. 하지만 일상생활 중에는 움직임이나 피부 접촉 변화로 잡음이 쉽게 섞여, 정확한 심박수 분석에 한계가 있었다.

연구팀은 잡음이 섞인 광용적맥파 신호를 하나의 불완전한 신호로 보지 않고, 여러 생리적 신호 성분이 혼합된 결과로 해석했다. 이에 여러 신호가 섞인 데이터에서 의미 있는 근원 신호를 분리하는 블라인드 소스 분리(BSS) 개념을 정답 없이도 신호 구조를 학습하는 자기지도학습 인공지능 모델에 적용했다.

이를 위해 연구팀은 BSS 기반 자기지도학습 다중 인코더 오토인코더(MEAE) 구조를 활용했으며, 별도의 잡음 제거 필터링이나 데이터 선별 과정 없이 대규모 수면다원검사 공개 데이터베이스(MESA)의 광용적맥파 신호를 학습에 사용했다. 그 결과 하나의 광용적맥파 신호는 여러 근원 신호로 분리됐고, 이 가운데 심장 박동 패턴이 가장 뚜렷한 신호를 선택해 심박수 분석에 활용했다.

심박수 분석 성능은 심전도(ECG)로 측정한 기준 심박수를 바탕으로, 광용적맥파 원(原) 신호와 기존 신호 처리·분리 기법, 그리고 연구팀이 제안한 BSS 기반 MEAE 방법을 비교해 평가했다.

그 결과, 일상 활동 중 잡음이 포함된 광용적맥파를 측정한 9명의 피험자 데이터(총 108개 기록)에서 광용적맥파 신호를 그대로 사용했을 때보다 심전도 기준 심박수와의 오차(RMSE)가 14.4±10.6 bpm에서 4.9±5.1 bpm으로 감소했다. 심전도 기준 심박수와의 상관계수도 0.407에서 0.740으로 증가해, 심박수 변화 양상을 보다 잘 반영하는 것으로 확인됐다. 이러한 성능 개선은 수술 환자 데이터를 이용한 분석에서도 유사하게 나타났다.

이 교수는 “심박수 계산에 필요한 신호뿐 아니라, 호흡 등 심장 박동과 다른 생리적 리듬과 연관된 신호가 심장 박동 신호와 구분되어 나타나는 양상도 확인했다”라며 “AI가 정답을 미리 알지 않아도 신호의 구조적 차이를 스스로 학습할 수 있음을 보여준다”라고 설명했다.

연구 결과는 생체공학 및 의료정보학 분야의 국제 학술지 ‘생물학 및 의학 분야의 컴퓨터 활용(Computers in Biology and Medicine)’ 최근호에 게재됐다.