임신 중 스트레스 자동 감지를 위한 자기지도 심층학습 ECG 분석

초록

본 연구는 임신 후기 여성의 심전도(ECG) 신호를 이용해 스트레스를 자동으로 탐지하는 모델을 개발하고, 자체 지도 학습(SimCLR) 기반 ResNet‑34 인코더와 다계층 특징 추출 기법을 적용하였다. 내부 검증에서 98% 이상의 정확도와 R² 0.88‑0.95를 달성했으며, 외부 코호트에서도 77% 정확도와 AUC 0.83을 기록하였다.

상세 분석

본 논문은 임신 중 스트레스 평가에 객관적인 생리학적 지표를 제공하고자, 대규모 임산부 ECG 데이터를 활용한 자기지도(self‑supervised) 딥러닝 파이프라인을 설계하였다. 먼저 FELICITy 1 코호트(151명, 32‑38주)에서 10 초 길이의 10 초 윈도우를 50 % 겹치게 추출해 약 40 000개의 세그먼트를 각 채널(mECG, fECG, aECG)별로 확보하였다. 데이터 전처리는 0.5‑40 Hz 밴드패스 필터링, 256 Hz 재샘플링, 아티팩트 제거, 세그먼트별 Z‑스코어 정규화 등 표준 절차를 따랐으며, 피험자 단위의 교차 검증을 통해 데이터 누수를 방지하였다.

특징 추출 단계에서는 1‑차원 ResNet‑34 구조를 1 D 신호에 맞게 변형하고, SimCLR 프레임워크를 이용해 100 epoch 동안 대조 학습을 수행하였다. SimCLR에서는 가우시안 노이즈, 시간 이동, 진폭 스케일링, 시간 워핑 등 네 가지 변형을 적용해 두 개의 뷰를 생성하고, NT‑Xent 손실을 최소화함으로써 강건한 임베딩 공간을 학습하였다. 이후 각 잔차 블록의 출력(64, 128, 256, 512 차원)과 프로젝션 헤드(128 차원)를 전역 평균 풀링 후 연결해 총 1088 차원의 다계층 특징 벡터를 구성하였다. 이 접근법은 저수준 형태학적 정보(QRS 형태, 베이스라인 변동)와 고수준 시간적 패턴(리듬 변동성)을 동시에 포착한다는 점에서 기존 최종 레이어 임베딩만 사용하는 방법보다 우수했다.

다운스트림 모델로는 이진 분류를 위한 로지스틱 회귀와 연속 PSS‑10 점수 예측을 위한 리지 회귀를 적용했으며, 5‑fold 피험자 층화 교차 검증을 5회 반복해 성능 안정성을 검증하였다. 내부 검증 결과, mECG와 fECG에서 각각 98.6 %·99.8 % 정확도, R² 0.88·0.95, MAE 1.90·1.19를 기록했으며, aECG에서도 95.5 % 정확도와 R² 0.75를 달성하였다. 단일 레이어 임베딩(ResNet 최종 레이어)이나 외부 사전학습된 ECGFounder(ViT 기반)와 비교했을 때, 다계층 특징은 정확도·R²·MAE 모두에서 현저히 높은 성능을 보였다.

외부 검증은 다른 장비(Bittium Faros 360, 1000 Hz)와 요가 중재가 포함된 FELICITy 2 RCT(28명)에서 수행되었다. 여기서는 신호 품질 지수(SQI)를 기반으로 최적 채널을 선택하는 전략이 모든 채널 평균보다 R²를 12 %p 상승시키는 등 채널 선택의 중요성을 확인하였다. mECG는 77.3 % 정확도와 AUC 0.826, aECG는 63.6 % 정확도와 AUC 0.705를 기록했으며, 혼합효과 모델을 통해 요가 중재가 스트레스 감소에 미치는 효과(p = 0.041)를 검출하였다.

전반적으로 본 연구는 (1) 대규모 라벨이 없는 임산부 ECG 데이터를 활용한 자기지도 학습이 강건한 표현을 학습한다는 점, (2) 다계층 특징 추출이 스트레스와 관련된 다중 스케일 신호 변화를 포착해 성능을 크게 향상시킨다는 점, (3) 외부 코호트와 다른 하드웨어 환경에서도 모델이 일반화 가능함을 입증했다는 점을 강조한다. 다만, 샘플 수가 제한적이며, PSS‑10을 기준으로 한 라벨링이 주관적일 수 있다는 한계와, 실시간 임상 적용을 위한 경량화 및 해석 가능성 확보가 향후 과제로 남는다.