수면 단계 자동 판별을 위한 최신 신호 처리 기법 적용 연구

본 논문은 수면 단계 자동 판별을 위해 호흡 신호와 뇌전도(EEG) 신호에 최신 적응형 신호 처리 기법인 경험적 내재 기하(Empirical Intrinsic Geometry, EIG)와 동기압축 변환(Synchrosqueezing Transform, SST)을 적용한 새로운 특징 추출 프레임워크를 제시한다. 1. **배경 및 필요성** 수면은 REM과 NREM(또는 N1, N2, N3)으로 구분되는 복합적인 생리 현상이며, 전통적인 수면 단계 판별은 다채널 폴리솜노그래피(PSG)와 전문가의 눈으로 EEG를 해석하는 방식에 의존한다. 인간 전문가 간의 판별 일관성이 제한적이며, 장비 설치와 데이터 해석에 많은 비용이 소요된다. 따라서 신호 기반 자동화가 요구된다. 2. **신호 모델링** 호흡 신호는 거의 주기적인 특성을 가지므로, 저자들은 다음과 같은 적응적 조화 모델을 제시한다. \(R(t)=A(t)s(\varphi(t))\) 여기서 \(A(t)\)는 진폭 변조(AM), \(\varphi'(t)\)는 순간 주파수(IF), \(s(\cdot)\)는 1‑주기 파형이다. 실제 측정은 잡음 \(\sigma(t)\xi(t)\)가 더해진 형태 \(Y(t)=R(t)+\sigma(t)\xi(t)\) 로 모델링한다. 3. **동기압축 변환(SST)** SST는 단순 푸리에 변환이나 연속 웨이블릿 변환의 시간‑주파수 스펙트럼을 재배치(reallocation)하여 에너지를 집중시킨다. 이를 통해 호흡 신호의 IF와 AM을 고해상도로 추정하고, 호흡 속도 변동성(BRV)과 같은 임상적으로 의미 있는 지표를 정량화한다. 논문에서는 SST를 적용한 결과를 시각화한 그림을 제시하며, 순간적인 호흡 속도 상승·감소가 명확히 드러남을 보인다. 4. **경험적 내재 기하(EIG)** 호흡 신호는 복잡한 신경·생리 메커니즘에 의해 조절되며, 관측된 신호는 저차원 내재 상태 \(\theta(t)\)에 의해 결정된다고 가정한다. 관측자 \(\Phi\)를 통해 고차원 특징 \(Z(t)=\Phi(Y(t))\) 를 만든 뒤, 공분산 행렬 \(C(t)\) 를 이용해 Mahalanobis 거리를 추정한다. 이 거리 정보를 기반으로 그래프 라플라시안을 구성하고, 확산 지도(Diffusion Maps)를 적용해 내재 다양체를 저차원 좌표로 매핑한다. 이렇게 얻어진 좌표는 호흡 신호의 ‘느린’ 동역학 변화를 포착한다. 5. **특징 통합 및 분류** SST에서 얻은 순간적인 IF·AM 시계열과 EIG에서 추출한 저차원 내재 변수들을 결합해 총 12개의 특징을 만든다. 이 특징들을 방사형 기저 함수(RBF) 커널을 갖는 다중 클래스 서포트 벡터 머신(SVM)에 입력하여 5가지 수면 단계(awake, REM, N1, N2, N3)를 분류한다. 6. **실험 설계 및 결과** ‘relatively normal’ 피험자군(총 30명, 각 8시간 수면 기록)에서 호흡 신호만을 이용한 경우 전체 정확도 81.7%를 달성했으며, 호흡·EEG 복합 사용 시 89.3%의 정확도를 기록했다. 각 단계별 정밀도와 재현율도 제시했으며, 특히 N3(깊은 수면)와 REM 단계 구분에서 높은 성능을 보였다. 결과는 인간 전문가가 수행한 AASM 2007 기준 판별과 통계적으로 유의미한 차이가 없음을 확인했다. 7. **논의 및 한계** - **호흡 신호의 정보량**: 호흡 신호만으로도 상당한 수면 단계 정보를 포함하고 있음을 입증했으며, 이는 센서 설치 비용 절감 및 비침습적 모니터링에 유리하다. - **데이터 규모와 다양성**: 현재 데이터는 정상인 위주이며, 수면 무호흡증, 신경계 질환 등 병리적 상황에 대한 검증이 부족하다. - **EIG 관측자 설계**: 조건부 확률 밀도 기반 관측자 \(\Phi\)는 대량 데이터가 필요하고, 실제 적용 시 계산 비용이 높다. - **실시간 적용 가능성**: SST와 EIG 모두 연산량이 크므로, 실시간 시스템 구현을 위해 알고리즘 최적화가 필요하다. 8. **향후 연구 방향** - 다양한 병리군을 포함한 대규모 코호트 구축 및 교차 검증. - 딥러닝 기반 자동 관측자 설계와 EIG‑SST 통합 프레임워크의 end‑to‑end 학습. - 저전력 임베디드 하드웨어에 최적화된 구현 및 실시간 피드백 시스템 개발. 본 논문은 현대 신호 처리 이론을 수면 과학에 성공적으로 적용한 사례로, 특히 호흡 신호가 수면 단계 판별에 충분히 활용될 수 있음을 실증하였다. 이는 향후 비침습적 수면 모니터링 기기의 설계와 임상 적용에 중요한 이정표가 될 것으로 기대된다.