PPG 기반 개인 맞춤 혈역학 모니터링을 위한 물리‑중심 하이브리드 AI

초록

본 연구는 PPG 신호의 타이밍 특성(Ts, Td)과 인구통계 정보를 이용해 개인별 심박출량을 추정하고, 2‑요소 Windkessel 모델(R, C)로 제약된 신경망(PMB‑NN)을 통해 수축기·이완기 혈압을 추정한다. 10명의 건강 성인을 대상으로 정적·자전거 운동을 포함한 2일간 데이터를 수집해, 기존 딥러닝 모델(FCNN, CNN‑LSTM, Transformer) 및 순수 물리 모델과 비교하였다. PMB‑NN은 수축기 혈압 MAE 7.2 mmHg로 딥러닝과 동등한 정확도를 보였으며, 이완기 혈압 MAE 3.9 mmHg로 약간 낮았다. 그러나 물리적 타당성 및 해석 가능성에서 기존 모델들을 크게 능가했으며, R·C 파라미터도 정확히 추정하였다.

상세 분석

PMB‑NN은 기존의 파라메트릭(Windkessel) 모델과 비파라메트릭 딥러닝 모델의 장점을 융합한 하이브리드 구조를 채택한다. 입력으로는 PPG 파형에서 추출한 심실 상승 시간(Ts)과 이완 시간(Td)을 순차적으로 배열한 시계열 벡터와, 연령·성별·키·체중 등 인구통계 정보를 이용해 사전에 학습된 Q‑Network가 추정한 심박출량(Q_est)을 결합한다. Q‑Network는 LOSO(cross‑validation) 방식으로 최적의 6‑64‑128‑64‑1 토폴로지를 찾았으며, 이는 개인별 심혈관 상태를 반영하는 중요한 중간 변수로 작동한다.

신경망 본체는 3개의 은닉층(각 128 유닛)과 ReLU 활성화 함수를 사용한 피드포워드 구조이며, 손실 함수에 Windkessel 모델의 방정식(P = R·Q + C·dP/dt)을 물리적 제약으로 삽입한다. 이 제약은 출력 혈압이 실제 혈역학적 관계를 만족하도록 강제함으로써, 모델이 데이터에 과도히 적합(over‑fit)되는 것을 방지하고, 추정된 R·C 값이 임상적으로 의미 있는 범위에 머물게 만든다.

실험 설계는 두 날에 걸쳐 정적 자세, 저강도(LIC) 및 중강도(MIC) 사이클링을 각각 5~10분씩 수행하도록 구성했으며, 총 60개의 데이터 세그먼트를 확보했다. PPG는 64 Hz로 수집하고, 베이스라인 보정·중간값 필터·Butterworth 밴드패스(0.5‑5 Hz)·이동 평균 등 다단계 전처리를 거쳐 신호 품질을 최적화하였다. 혈압은 Finometer 볼륨 클램프 방식으로 실시간 측정했으며, R·C는 압력 감쇠 분석을 통해 비트‑투‑비트 추정하였다.

성능 평가는 MAE, MSE 외에 ‘생리학적 타당성(physiological plausibility)’을 별도 지표로 도입했다. 이는 추정된 R·C가 알려진 정상 범위와 일관되는지, 그리고 운동 단계별 변화 추세가 기대되는 방향(운동 시 R↑, C↓)과 일치하는지를 평가한다. 결과적으로 PMB‑NN은 수축기 혈압에서 딥러닝 모델들과 동등한 정확도를 유지하면서, 이완기 혈압에서는 약간의 오차가 있었지만, R·C 추정치가 가장 높은 생리학적 일관성을 보였다. 이는 물리적 제약이 모델의 일반화와 해석 가능성을 크게 향상시켰음을 의미한다.

또한, 하루 간격으로 데이터가 수집된 점을 고려했을 때, PMB‑NN은 일일 변동성을 충분히 포착하면서도 성능 저하가 미미했다. 이는 개인별 맞춤 학습과 물리적 모델 통합이 장기 모니터링에 적합함을 시사한다. 향후 연구에서는 고령자·고혈압 환자와 같은 병리학적 집단, 그리고 다양한 센서(멀티‑PPG, 가속도계)와의 융합을 통해 모델의 확장성을 검증할 필요가 있다.