PPG 기반 생성 마스킹 모델 SIGMA‑PPG: 통계 사전과 적대적 마스크로 잡음 극복

초록

SIGMA‑PPG는 PPG 신호의 고유 잡음과 중복성을 고려해 통계적 사전(진폭·왜도)을 강화한 적대적 마스크 생성과 벡터 양자화 기반 의미 일관성 제약을 결합한 생성형 기반 모델이다. 12개의 다운스트림 과제에서 5개 최신 모델을 능가했으며, 120 000시간 이상의 데이터로 사전 학습되었다.

상세 분석

본 논문은 PPG 신호 특유의 quasi‑periodic 구조와 저신호‑대‑잡음비(SNR) 문제를 해결하기 위해 두 단계의 프레임워크를 제안한다. 첫 단계에서는 VQ‑VAE를 확장해 파워 스펙트럼 재구성 손실(L_Spec)과 의미 일관성 손실(L_Con)을 동시에 최적화한다. PSD 기반 재구성은 고주파 잡음보다 심박수와 같은 주요 주파수 성분을 강조하도록 설계돼, 토큰화 과정에서 물리적 의미를 보존한다. 또한, 원본 패치와 노이즈·스케일 변형을 가한 증강 패치를 동일 코드북 인덱스로 매핑하도록 제약함으로써, 작은 형태 변화가 서로 다른 토큰으로 분리되는 현상을 방지한다.

두 번째 단계는 강화학습(RL) 기반 Teacher‑Student 게임을 통해 마스크 정책을 동적으로 생성한다. Teacher는 마스크 로그잇에 통계 사전 점수 S_prior (진폭 안정도 S_amp와 왜도 S_skew의 가중합)를 편향으로 더해, 잡음 구간보다는 형태학적으로 의미 있는 구간(예: 수축기 피크)에서 마스크를 집중하도록 유도한다. 이렇게 설계된 Prior‑Guided Adversarial Masking은 무작위 마스크가 초래하는 ‘trivial solution’(인접 주기 복제) 문제를 회피하고, Student(양방향 Transformer)에게 전역적인 파형 구조 복원을 강제한다. 보상은 Student의 마스크 복원 손실(L_Gen)이며, Teacher는 이를 최대화하도록 정책을 업데이트한다.

핵심 기여는 다음과 같다. ① 통계 사전을 활용해 마스크 생성의 탐색 공간을 의미 중심으로 제한함으로써, 잡음에 과도하게 민감한 학습을 방지한다. ② VQ‑VAE와 의미 일관성 제약을 결합해 코드북의 의미 밀도를 높이고, 동일 생리적 파형이 서로 다른 토큰으로 분리되는 현상을 최소화한다. ③ 120 k시간 규모의 대규모 비라벨 데이터와 12개의 이질적인 다운스트림 태스크(심박수, SpO₂, 혈압, 스트레스 등)를 이용해 사전‑미세조정 파이프라인을 검증하였다. 실험 결과, 평균 정확도·MAE 등 주요 지표에서 기존 대비 3‑7%p 향상을 기록했으며, 특히 잡음이 심한 움직임 구간에서의 복원 품질이 크게 개선되었다.

한계점으로는 Teacher‑Student RL 루프의 학습 비용이 높고, β 파라미터(진폭·왜도 가중치)와 α(편향 스케일) 등 하이퍼파라미터에 민감한 점을 들 수 있다. 또한, 현재는 단일 채널 PPG에만 적용했으며, 다채널 혹은 멀티모달(ECG·ACC) 연계 확장은 추후 과제로 남는다.