PPG 기반 다중 바이탈 사인 재구성을 위한 흐름 매칭 상태공간 모델 PENGUIN

초록

본 논문은 광혈류측정(PPG) 신호를 이용해 심전도(ECG), 호흡 파형, 동맥혈압(ABP) 등 여러 바이탈 사인을 연속 파형 형태로 복원하는 생성 모델 PENGUIN을 제안한다. Optimal Transport 기반 흐름 매칭(OT‑CFM)과 딥 상태공간 모델(S5)을 결합한 Dual‑Stream Flow‑SSM 블록으로 PPG와 목표 파형을 시간축에서 정밀하게 조건화한다. 6개의 실제 PPG 데이터셋(ECG, 호흡, ABP)에서 기존 단일·다중 과제 모델들을 모두 능가하는 성능을 보이며, 특히 파형의 형태와 진폭을 고해상도로 재현한다.

상세 분석

PENGUIN은 두 가지 핵심 기술을 융합한다. 첫째, Optimal Transport Conditional Flow Matching(OT‑CFM) 프레임워크를 채택해, 표준 정규분포에서 시작해 목표 바이탈 사인 파형으로의 변환 경로를 최소 운송 비용으로 학습한다. 이때 시간‑의존적인 속도장 uₜ(xₜ|z)를 신경망 uθₜ가 근사하며, 손실은 실제 속도와 예측 속도 사이의 L2 차이로 정의된다. OT‑CFM은 선형 보간 경로 xₜ=(1‑t)x₀+tx₁와 속도 uₜ=x₁‑x₀를 사용해, 샘플링 단계가 적어도 고품질의 파형을 생성할 수 있게 한다. 구현에서는 Heun 방법을 이용해 ODE를 수치적으로 풀어 25 스텝만으로도 충분한 재구성을 달성한다.

둘째, 딥 상태공간 모델인 S5를 확장한 Dual‑Stream Flow‑SSM 블록을 설계했다. S5는 A, B, C, D 행렬을 통해 입력 시퀀스를 잠재 상태 hₜ에 매핑하고, 이를 다시 출력 yₜ로 변환한다. PENGUIN에서는 PPG와 목표 파형을 각각 별도의 스트림으로 입력하고, 각 블록 내부에서 LayerNorm‑FiLM, 시간‑조건화 스케일링, 그리고 S5 연산을 순차적으로 적용한다. FiLM은 시간 t의 사인파 인코딩을 통해 γ, β 파라미터를 생성해 정규화 단계에 변형을 주고, 스케일링 연산은 α 파라미터로 속도장에 직접적인 시간 의존성을 부여한다. PPG와의 조건화는 각 타임스텝마다 선형 투영 후 단순 덧셈으로 구현했으며, 이는 PPG와 목표 파형이 시간적으로 정렬되어 있다는 특성을 활용해 미세한 동기화를 가능하게 한다.

실험 설계는 크게 세 가지 과제(ECG 재구성, 호흡 파형 복원, ABP 재구성)와 여섯 개 데이터셋(PPG‑DaLiA, WildPPG, BIDMC, WESAD, UCI‑BP, MIMIC‑BP)으로 구성되었다. 모든 데이터는 128 Hz로 재샘플링하고, PPG는 0.5‑4 Hz 밴드패스, ECG는 0.5 Hz 하이패스, 호흡은 1 Hz 저역통과 등 전처리를 거쳤다. 교차 피험자 방식으로 6:1:1 비율로 학습·검증·테스트를 분리했으며, 평가 지표는 HR Error, RR Error, SBP Error, DBP Error 등 각각의 파형 특성에 맞는 MAE를 사용했다.

성능 비교에서 PENGUIN은 기존 전문 모델(전용 ECG·ABP 모델)과 일반화 모델(PaPaGei‑S, CycleGAN, RDDM, RespDiff) 모두를 앞섰다. 특히 ECG 재구성에서는 HR Error를 12.97 bpm(WildPPG)까지 낮췄으며, 호흡 모니터링에서는 RR Error를 2.98 bpm까지 감소시켰다. ABP에서는 SBP Error가 12.61 mmHg(UCI‑BP)까지 크게 개선되었다. MIMIC‑BP 데이터셋에서는 DBP Error가 약간 뒤처졌지만 전체적인 경향은 우수했다.

Ablation 실험은 FiLM, Shift, PPG 조건화 각각을 제거했을 때 성능 저하를 확인했다. 특히 PPG 조건화를 없앨 경우 HR Error가 24.40 bpm까지 급격히 상승해, PPG‑기반 미세 조건화가 모델 성능에 결정적임을 입증한다.

한계점으로는 현재 25 스텝이라는 고정 샘플링 수와 128 Hz 샘플링 레이트에 최적화돼 있어, 실시간 저전력 디바이스에 바로 적용하기엔 연산량이 다소 높을 수 있다. 또한 ABP와 같은 절대값이 중요한 파형에서는 전처리 단계에서 스케일링을 최소화했지만, 센서 노이즈에 대한 강인성 검증이 추가로 필요하다. 향후 연구에서는 멀티모달(가속도계·온도계 등) 통합, 가변 샘플링 스킴, 그리고 임상 환경에서의 장기 검증을 통해 실용성을 높일 수 있을 것이다.