신뢰할 수 있는 호흡 모니터링을 위한 속성 분리 암호화 기법

초록

본 논문은 mmWave 레이더 기반 호흡 모니터링에서 사용자 신원 정보(USI)를 효과적으로 익명화하면서도 호흡 파라미터를 정확히 추출하는 Tru‑RM 프레임워크를 제안한다. 핵심은 (1) 호흡, 개인 차이, 기타 잡음 성분을 분리하는 Attribute Feature Decoupling(AFD), (2) 개인 차이 성분에 대하여 강도 조절 가능한 위상·진폭 노이즈를 적용하는 Flexible Perturbation Encryptor(FPE), (3) 변형된 신호에서도 강인하게 호흡을 복원하는 Perturbation Tolerable Network(PTN)이다. 실험 결과, USI 익명화율 99% 이상, 호흡 검출 정확도 96% 이상을 달성하였다.

상세 분석

Tru‑RM은 mmWave 레이더가 제공하는 고해상도 위상 정보를 활용한다. 먼저 데이터 전처리 단계에서 Range‑FFT를 수행해 목표 거리 bin을 선택하고, 해당 bin의 복소수 신호에서 위상 ϕ(t)를 추출한다. 위상은 미세 움직임에 민감하므로 호흡뿐 아니라 심장 박동, 미세 움직임 등 다양한 생리학적 신호를 포함한다. 이러한 복합 신호를 효과적으로 분리하기 위해 AFD 모듈은 두 단계 전략을 채택한다. 첫 번째 단계는 호흡 주기에 맞춘 Butterworth 밴드패스 필터를 적용해 대략적인 호흡 대역을 추출한다. 두 번째 단계에서는 Variational Mode Decomposition(VMD)을 사용해 신호를 여러 모드로 분해하고, 각 모드의 중심 주파수와 에너지 분포를 기반으로 ‘보편적 호흡 성분’, ‘개인 차이 성분’, ‘무관 성분’으로 라벨링한다. 이렇게 분리된 개인 차이 성분은 사용자를 식별할 수 있는 고유 패턴(예: 호흡 리듬, 미세 움직임) 을 담고 있으므로, FPE에서 목표 암호화 대상이 된다. FPE는 두 가지 노이즈 주입 방식을 결합한다. 첫 번째는 무관 성분을 완전히 소거하기 위한 대규모 가우시안 노이즈이며, 이는 호흡 신호에 거의 영향을 주지 않는다. 두 번째는 개인 차이 성분에 적용되는 위상 노이즈로, 학습 가능한 강도 파라미터 λ를 도입해 위상 변조량을 조절한다. λ가 클수록 식별 가능성이 급격히 감소하지만, 호흡 파형의 진폭·주기에는 최소한의 왜곡만 발생한다. 암호화 과정은 adversarial loss를 사용해 USI 복원 모델의 성능을 최소화하도록 최적화된다. 암호화된 신호는 PTN에 입력된다. PTN은 Spectral Distribution Alignment 기반의 도메인 적응 네트워크로, 원본 도메인과 암호화 도메인 사이의 스펙트럼 차이를 최소화한다. 구체적으로, Sinkhorn 거리 기반 Wasserstein 손실을 이용해 두 도메인의 특성 분포를 정렬하고, Residual‑CNN 구조를 통해 변형된 파형에서도 호흡 주기와 진폭을 정확히 추정한다. 실험에서는 거리(0.5 m3 m), 다양한 호흡 패턴(정상, 심호흡, 불규칙), 그리고 암호화 강도(λ = 0.11.0)를 변동시켜도 USI 익명화율 99 % 이상, 호흡 검출 정확도 95 %~98 %를 유지함을 확인했다. 또한 기존 전역 노이즈 기반 프라이버시 보호 기법에 비해 신호 왜곡이 30 % 이하로 감소했으며, 연산 복잡도는 임베디드 수준의 MCU에서도 실시간 처리 가능하도록 설계되었다.