AI 기반 심폐음 신호 처리: 분리·클러스터링·이상 탐지 혁신

초록

본 논문은 심장·폐음 데이터를 고해상도로 수집한 HLS‑CMDS 데이터셋을 기반으로, 대규모 언어 모델(LM)과 비음수 행렬분해(NMF), 변분 자동인코더(VAE), 그리고 양자 합성곱 신경망(QCNN)을 결합한 다중 AI 파이프라인을 제안한다. 각 모델은 신호 분리, 군집화, 이상 탐지에 특화되어 있으며, 최신 MEMS·양자 바이오센서와의 연계 가능성을 논의한다.

상세 분석

이 연구는 심폐음 신호 처리라는 전통적인 바이오신호 분야에 최신 인공지능 기술을 융합한 점이 가장 큰 강점이다. 먼저, LLM 기반 NMF(LingoNMF)은 기존 비음수 행렬분해에 언어‑가이드 프롬프트를 삽입함으로써 주파수 초기값을 동적으로 조정한다. 실험 결과 SDR·SIR이 3‑4 dB 향상된 것은, 언어 모델이 제공하는 도메인 지식이 수학적 최적화에 실질적인 보조 역할을 할 수 있음을 보여준다. 그러나 LLM의 프롬프트 설계가 주관적이며, 재현성을 확보하기 위해 프롬프트 템플릿과 파라미터 로그를 공개해야 할 필요가 있다.

다음으로 제안된 XV‑AE‑WMT은 파형‑기반 마스크와 시간‑일관성 손실을 결합한 변분 자동인코더이다. SDR = 26.8 dB, SIR = 32.8 dB라는 높은 성능과 잠재공간 실루엣 점수 0.345는 복합 신호를 효과적으로 분리하고, 클러스터링까지 지원함을 의미한다. 다만, VAE의 잠재 차원 수가 성능에 미치는 영향을 정량적으로 분석하지 않아, 실제 임상 환경에서 차원 선택이 어려울 수 있다.

클러스터링 단계에서는 화학 반응 메커니즘을 모방한 α‑다이버전스 NMF(Chem‑NMF)를 도입하였다. 촉매‑유사 초기화와 수렴 억제 파라미터가 알고리즘의 안정성을 크게 향상시켰으며, ORL·MNIST 실험에서 정확도·NMI가 기존 NMF 대비 5‑7 % 상승했다. 하지만 심폐음 데이터에 대한 직접적인 정량 비교가 부족하고, 군집 수 자동 결정 메커니즘이 부재한 점은 향후 연구 과제로 남는다.

마지막으로 양자 합성곱 신경망(QuPCG)은 웨이브렛 → 에너지 맵 → 양자 인코딩 → QCNN 흐름을 채택해 93.33 % ± 2.9 %의 테스트 정확도를 달성했다. 양자 비트에 물리적 특징을 매핑함으로써 고전적 모델보다 파라미터 효율성을 높였으나, 현재 양자 회로의 디코히런스와 시뮬레이션 기반 구현에 머무르고 있다. 실제 양자 하드웨어에서의 성능 검증이 필요하다.

센서 측면에서는 MEMS 마이크로폰, 양자점·NV 센서, 포토닉 집적 회로(PIC), 그리고 초기 통합 양자 포토닉(IQP) 플랫폼을 포괄적으로 리뷰한다. 특히, 고주파(22 kHz) 샘플링이 가능한 디지털 스테토스코프와 웨어러블 MEMS 마이크로폰을 결합한 데이터 수집 파이프라인은 신호‑대‑노이즈 비율을 크게 개선한다. 다만, 데이터셋이 임상 마니킨 기반이므로 실제 환자 데이터와의 차이점(예: 피부‑전달 손실, 환경 소음) 분석이 부족하다.

전반적으로 본 논문은 AI·양자·센서 기술을 통합한 종합 프레임워크를 제시했으며, 각 모듈의 성능 향상을 실증하였다. 그러나 재현성 확보를 위한 코드·프롬프트 공개, 임상 데이터 검증, 양자 하드웨어 실험 확대 등이 향후 과제로 남는다.