소리만으로 호흡 노력 추정해 수면 무호흡 스크리닝

초록

본 연구는 스마트폰으로 녹음한 야간 호흡 소리만을 이용해 호흡 노력 신호를 추정하고, 이를 기존의 음향 특징과 결합해 폐쇄성 수면 무호흡증(OSA) 선별 정확도를 향상시키는 방법을 제안한다. 103명의 참가자, 157밤 데이터를 활용해 제안 모델은 호흡 노력 추정에서 CCC 0.48을 달성했으며, 융합 모델은 저강도 AHI 임계값에서도 감도와 AUC를 크게 개선하였다. 테스트 시 별도의 센서는 필요 없으며, 스마트폰만으로 장기 모니터링이 가능하다.

상세 분석

이 논문은 기존 수면다원검사(PSG)의 복잡성과 비용 문제를 해결하기 위해, 비접촉식 음향 데이터만으로 OSA를 스크리닝하는 새로운 패러다임을 제시한다. 핵심 아이디어는 ‘호흡 노력(respiratory effort)’이라는 임상적으로 중요한 신호가 실제 호흡 소리에 미세한 패턴을 남긴다는 가정이다. 이를 검증하기 위해 저자들은 두 단계의 딥러닝 파이프라인을 설계하였다. 첫 번째 단계에서는 30초 윈도우의 로그멜 스펙트로그램을 입력으로, CNN‑LSTM 구조를 통해 호흡 노력 신호를 회귀 예측한다. 손실 함수로는 상관관계와 평균·분산 차이를 동시에 고려하는 Concordance Correlation Coefficient(CCC)의 보완형 1‑ρc를 사용해, 단순 MSE보다 신호 형태를 잘 보존하도록 최적화하였다. 결과적으로 평균 CCC 0.48(±0.13)을 기록했으며, 이는 잡음이 많은 가정 환경에서도 음향이 호흡 역학을 어느 정도 반영한다는 증거다.

두 번째 단계에서는 앞 단계에서 학습된 LSTM의 최종 은닉 상태를 ‘호흡 노력 임베딩’으로 추출하고, 별도로 학습된 CNN 기반 오디오 인코더의 임베딩과 결합한다. 이 latent‑space fusion은 단순 특징 연결이 아니라, 호흡 노력이라는 생리학적 컨텍스트를 음향 특징에 정규화시키는 역할을 한다. 융합된 벡터는 완전 연결층을 거쳐 OSA 이벤트(무호흡·저호흡) 발생 확률을 출력한다. 클래스 불균형을 고려해 가중 이진 교차 엔트로피 손실을 적용했으며, 10‑fold 교차 검증으로 일반화 성능을 검증하였다.

실험 결과, 오디오‑전용 베이스라인 대비 감도와 AUC가 특히 AHI 5와 15 임계값에서 현저히 상승했으며, ‘oracle’(실제 호흡 노력 사용) 모델에 근접하는 성능을 보였다. 이는 호흡 노력 임베딩이 잡음에 강인한 보조 정보를 제공함을 의미한다. 또한, 모델은 테스트 시 스마트폰 오디오만 필요하므로, 착용 불편을 최소화하고 장기 연속 모니터링이 가능하다. 한계점으로는 CCC가 0.6 수준에 미치지 못해 추정 신호가 여전히 노이즈에 민감하고, 시간 정렬 오류가 일부 구간에서 성능 저하를 일으킨다. 향후 고해상도 마이크 배열이나 멀티모달(심박, 움직임) 데이터와의 결합을 통해 추정 정확도를 높일 여지가 있다.