잡음이 많은 광용적맥파에서 강건한 심박수 추출을 위한 자기 지도 학습 오토인코더 네트워크: 생체신호 분석에 블라인드 소스 분리를 적용하다

초록

본 연구는 블라인드 소스 분리(BSS) 개념을 활용하여, 잡음이 많은 광용적맥파(PPG) 신호에서 심장 박동 관련 소스 신호를 분리해내는 자기 지도 학습 방식의 다중 인코더 오토인코더(MEAE)를 제안합니다. 대규모 공개 수면다원검사 데이터베이스의 PPG 신호로 전처리 없이 네트워크를 학습시킨 후, 9명의 피험자로부터 수집한 일상 활동 중의 잡음 PPG 데이터셋에 적용했습니다. 그 결과, 분리된 심박 관련 소스 신호를 사용했을 때 기존 PPG 신호를 직접 사용하는 것보다 심박수 검출 정확도가 크게 향상되었으며, 이는 제안 방법의 실용적 잠재력을 보여줍니다.

상세 분석

본 논문의 핵심 기술적 기여는 생체신호의 블라인드 소스 분리 문제에 대한 새로운 딥러닝 접근법을 제시한 데 있습니다. 기존 BSS 방법들(예: ICA, NMF)이 선형 혼합 가정이나 강한 사전 지식에 의존하는 반면, 제안된 MEAE는 완전 컨볼루셔널 구조의 다중 인코더를 통해 비선형 혼합 시스템을 모델링하고, 별도의 소스 신호 레이블 없이 순수하게 자기 지도 학습 방식으로 훈련됩니다.

여기서 중요한 것은 손실 함수 설계입니다. 단순한 재구성 손실(L_recon) 외에 두 가지 독창적인 제약이 적용됩니다: 첫째, ‘희소 혼합 손실(L_mixing)‘은 디코더 내 서로 다른 인코딩 블록을 연결하는 가중치에 L1 정규화를 적용하여 소스들이 희소하게 혼합된다는 가정을 반영합니다. 이는 생체신호에서 각 생리학적 소스(심박, 호흡, 운동 등)가 관측 신호에 독립적으로 기여할 가능성이 높다는 직관에 기반합니다. 둘째, ‘제로 재구성 손실(L_zero_recon)‘은 모든 인코딩이 0인 입력에 대해 디코더 출력도 0이 되도록 강제합니다. 이 제약은 추론 시 특정 인코더만 활성화하고 나머지를 마스킹(0으로 대체)했을 때, 비활성 인코더의 잔여 정보가 출력에 섞이지 않도록 보장하는 데 핵심적입니다.

이러한 손실 설계는 네트워크가 각 인코더가 서로 다른 소스 신호에 특화되도록 유도합니다. 8개의 인코더를 사용한 실험에서, 하나의 인코더는 명확하게 심박 신호에, 다른 인코더들은 호흡, 기저선 변동, 다양한 형태의 잡음 등에 대응하는 출력을 생성하는 것을 확인할 수 있었습니다. 이 방법의 가장 큰 강점은 사전 지식 기반의 인위적 잡음 생성/첨가나 복잡한 전처리 과정이 전혀 필요 없다는 점입니다. MESA 데이터베이스의 ‘깨끗한’ 수면 중 PPG 신호만으로 훈련된 네트워크가, 훈련 데이터에 존재하지 않는 일상 활동 중의 강한 운동 잡음이 포함된 PPG에서도 우수한 심박 소스 분리 성능을 보인 것은, 모델이 신호의 본질적인 구조를 학습했음을 의미하며, 강력한 일반화 능력을 시사합니다.