베이스톨리오카드리오그램 신호 처리 최신 동향과 실용적 적용 방안

** 본 논문은 베이스톨리오카드리오그램(BCG) 신호 처리를 위한 기존 연구들을 체계적으로 정리하고, 각 접근법의 원리와 한계를 비교 분석한다. 먼저 BCG의 물리적 원리를 소개하며, 혈액이 심장에서 대동맥 및 말초 혈관으로 이동할 때 발생하는 전신 질량 이동이 미세한 가속도 혹은 압력 변화를 일으키고, 이를 센서를 통해 전압 신호로 변환한다는 점을 강조한다. 전통적인 BCG 파형은 사전‑수축(pre‑systolic), 수축(systolic), 이완(diastolic) 단계로 구분되며, 특히 J‑파는 가장 큰 헤드워드 변위로 심박 간격을 측정하는 데 사용된다. 그러나 실제 현장에서는 J‑파가 일관되지 않으며, 특히 야간 장시간 모니터링이나 고령자와 같이 움직임이 빈번한 상황에서 J‑파가 사라지거나 왜곡된다. 시간 영역 알고리즘은 이동 윈도우 내에서 국부 최대·최소를 탐지해 J‑피크 간 간격을 측정한다. 이 방식은 구현이 간단하지만, 비선형·비정상 특성으로 인해 피크 검출 실패율이 높다. 또한 움직임 아티팩트가 신호에 직접적인 영향을 미쳐 정확도가 급격히 저하된다. 주파수 영역 접근법은 FFT를 이용해 전체 스펙트럼을 계산하고, 로그 스펙트럼의 역푸리에 변환(cepstrum)을 통해 주요 주파수를 추출한다. 이 방법은 심박 변동성(HRV) 분석에 유리하지만, 스펙트럼 피크가 넓어지거나 다중 피크가 나타날 경우 정확한 심박수 추정이 어려워진다. 특히 신호가 잡음에 민감해 실시간 적용에 한계가 있다. 웨이블릿 기반 방법은 신호를 다중 스케일로 분해해 저주파(호흡)와 고주파(심장) 성분을 각각 추출한다. 선택된 스케일의 계수를 이용해 피크 검출을 수행하면 인터비트 간격을 직접 계산할 수 있다. 그러나 적절한 Mother wavelet와 분해 레벨을 선택해야 하며, 파라미터 설정이 결과에 크게 영향을 미친다. 경험적 모드 분해(EMD)는 데이터 자체의 고유 모드에 따라 적응적으로 분해하므로 비정상성을 자연스럽게 다룰 수 있다. 하지만 모드 혼합과 경계 효과가 발생할 수 있어 후처리가 필요하다. 센서 기술 측면에서는 피에조 전기(PVDF) 필름이 가장 널리 사용된다. PVDF는 얇고 유연해 침대 매트리스 아래에 배치하기 용이하며, 압력 변화를 전압으로 변환한다. 여러 연구에서 PVDF 센서를 단일 또는 배열 형태로 배치해 호흡 및 심박을 추출했으며, 웨이블릿 분해, 자동 임계값, 자동 상관 함수 등을 이용해 신호를 처리했다. 그러나 심장에 의한 압력 변화가 매우 약해 신호 대 잡음비가 낮고, 움직임에 매우 민감하다. 다채널 PVDF 어레이와 가속도계(MEMS) 결합은 공간적 차별성을 제공한다. 다채널 데이터를 주파수 평균, cepstrum, PCA 등으로 통합하면 잡음 억제와 신호 강화가 가능하다. 예를 들어, 8채널 PVDF 어레이를 이용해 주파수 영역 평균을 수행하고, PCA를 통해 호흡 성분을 추출한 연구는 수면 무호흡 검출에 높은 정확도를 보였다. 또한, 휠체어에 장착된 가속도계와 PPG 센서는 움직임 상황에서도 비교적 안정적인 심박 정보를 제공한다. 머신러닝 접근법으로는 특징 벡터를 추출해 완전 연결 클러스터링(complete‑link clustering)이나 계층적 클러스터링을 적용해 심박 위치를 찾는 방법이 제안되었다. 라벨링된 데이터가 필요하고, 데이터 수집 프로토콜이 바뀔 경우 재학습이 필요하다는 실용적 제약이 있다. 최근에는 딥러닝 기반 자동 특징 학습이 시도되고 있으나, 라벨링 비용과 모델 일반화 문제가 아직 해결되지 않았다. 결론적으로, BCG 신호는 비선형·비정상 특성과 움직임 아티팩트라는 두 가지 큰 난관을 가진다. 시간·주파수·웨이블릿 각각의 장점을 조합한 하이브리드 프레임워크와, 다채널 센서 기반의 통계적 차원 축소(PCA, ICA) 기법이 현재 가장 실용적인 해결책으로 보인다. 향후 연구는 라벨링 비용을 최소화하는 반지도학습·자기지도학습 기법, 실시간 처리를 위한 경량 알고리즘, 그리고 센서 융합을 통한 잡음 억제 기술에 집중해야 한다. **