비침습 뇌압 추정을 위한 서브스페이스 시스템 식별 및 순위 학습 알고리즘

초록

본 연구는 동맥혈압, 뇌혈류속도, R‑R 간격 등 비침습 신호를 이용해 뇌내압(ICP)을 추정하는 새로운 머신러닝 프레임워크를 제안한다. 서브스페이스 시스템 식별로 선형 동적 모델(LDM)을 구축하고, 각 모델의 추정 오차와 비침습 특징 사이의 관계를 순위 제약을 포함한 convex 최적화로 학습한다. 비선형 커널화를 통해 정확도를 높였으며, 테스트 데이터의 31.9%가 2 mmHg 이내, 34.1%가 2~6 mmHg 오차 범위에 들어가는 결과를 보였다.

상세 분석

이 논문은 비침습 뇌압(nICP) 추정 문제를 “동적 시스템 모델 선택 + 오차 매핑 함수 학습”이라는 두 단계로 구조화한다. 첫 단계에서는 서브스페이스 시스템 식별(Subspace System Identification, SSI) 알고리즘을 활용해 입력(ABP, CBv, R‑R 간격)과 출력(ICP) 사이의 상태공간 모델을 자동으로 추정한다. SSI는 입력‑출력 데이터의 블록 행렬을 구성하고, SVD 기반으로 차원을 축소해 최적 차수(order)를 결정한다. 각 환자·시간 구간마다 개별 LDM을 생성함으로써 뇌혈류 역학의 이질성을 포착한다.

두 번째 단계에서는 LDM별 추정 오차와 비침습 신호에서 추출한 특징 벡터 사이의 매핑 함수를 학습한다. 기본 아이디어는 “특정 특징이 주어졌을 때 어느 LDM이 가장 작은 오차를 보일 가능성이 높은가”를 예측하는 것이다. 이를 위해 각 LDM에 대해 선형 매핑 e = fᵀbᵢ를 가정하고, 최소제곱법으로 bᵢ를 추정한다(식 3). 그러나 단순 LS는 모델 간 순위 정보를 반영하지 못한다. 논문은 순위 제약(rank‑constraint)을 도입해 fᵀbₖ < fᵀbₗ가 실제 오차 eₖ < eₗ과 일치하도록 강제한다(식 4‑6). 슬랙 변수 σ와 정규화 파라미터 γ를 포함한 convex 최적화 문제는 전역 최적해를 보장한다.

제약 수가 N²/2에 달해 계산량이 급증하므로, 저자들은 순차적 근사 알고리즘을 제시한다. 각 단계에서 현재까지 학습된 b₁…bₙ₋₁을 고정하고, 새로운 bₙ을 최소화하면서 해당 LDM에 대한 순위 리스트 L⁺, L⁻만을 고려한다(식 7‑10). 이렇게 하면 한 번에 2N개의 제약만 처리하면 되므로 대규모 데이터셋에서도 실용적이다.

비선형성을 확보하기 위해 커널 트릭을 적용한다. 선형 해가 내부곱 형태로 표현될 수 있음을 이용해, Gaussian 또는 다항식 커널 k(x,y)로 대체함으로써 비선형 매핑 함수를 얻는다(식 11‑16). 커널 매트릭스 K와 그 역행렬을 사용해 새로운 특징 fₙ₊₁에 대한 오차 예측 eₙ₊₁을 계산한다.

데이터는 다기관·다병원에서 수집한 360비트 구간(≈6 분) 단위의 ABP, CBv, R‑R 간격, 침습 ICP 레코드로 구성된다. 전체 데이터를 무작위로 70:30 비율로 학습·테스트 셋으로 분할했으며, 학습 단계에서 2 000여 개의 LDM과 매핑 함수를 구축했다. 테스트 결과, 비선형 커널 매핑에 순위 제약을 적용한 모델이 평균 절대 오차(MAE) 3.9 mmHg, 31.9%가 ±2 mmHg, 34.1%가 ±2~6 mmHg 범위에 들어가며, 기존 선형 무제약 모델 대비 약 15% 정도 정확도가 향상되었다.

한계점으로는 (1) 입력 신호의 품질에 크게 의존한다는 점, (2) 모델 선택 과정이 여전히 오프라인 학습에 기반해 실시간 적용 시 연산 부담이 있을 수 있다는 점, (3) 현재는 평균 ICP만을 추정하고 있어 급격한 변동을 포착하기엔 부족하다는 점을 들었다. 향후 연구에서는 실시간 구현을 위한 경량화, 추가 모달리티(예: PPG, EEG) 통합, 그리고 개인 맞춤형 보정 메커니즘을 탐색할 계획이다.