노이즈 환경에서 비침습 혈당 측정을 위한 물리 기반 신경망과 물리 모델 비교 연구

초록

본 논문은 12‑bit ADC 양자화, LED 드리프트, 피부 멜라닌 등 다양한 잡음을 포함한 합성 NIR 시뮬레이터를 구축하고, 저‑SNR 상황에서 강화된 Beer‑Lambert 회귀 모델, 여러 변형 PINN, 그리고 얕은 DNN을 비교한다. 결과는 물리 기반 특성 엔지니어링을 적용한 Beer‑Lambert 모델이 56개의 파라미터와 0.01 ms 추론 시간으로 13.6 mg/dL RMSE를 달성하며, 복잡한 PINN보다 우수함을 보여준다.

상세 분석

이 연구는 비침습 혈당 모니터링이 직면한 가장 근본적인 문제인 신호‑대‑잡음비(SNR) 저하를 정량화하고, 이를 재현하기 위한 고도로 정교한 합성 데이터 파이프라인을 제시한다. 12‑bit ADC 양자화, LED 온도 의존성, 포토다이오드 다크 전류, 온·습도 변동, 접촉 압력, Fitzpatrick I‑VI 단계별 멜라닌 함량, 피부 두께·혈류·수분 변동 등 12가지 요인을 통합함으로써 실제 현장에서 보고된 ρ≈0.21 수준의 혈당‑NIR 상관을 정확히 재현한다. 이러한 저‑SNR 환경에서 모델의 견고성을 평가하기 위해 여섯 가지 접근법을 동일한 데이터셋에 적용하였다.

첫 번째인 강화된 Beer‑Lambert 모델은 로그 흡광도, 파장 차이, 로그 비율, 그리고 개인별 생리 파라미터(피부 두께, 혈류, 멜라닌)를 결합한 56개의 물리 기반 피처를 생성하고, ridge 회귀로 최적화한다. 파라미터 수가 극히 적음에도 불구하고, 잡음에 강한 선형 구조와 정규화가 과적합을 방지해 가장 낮은 RMSE를 기록한다.

두 번째 그룹인 PINN은 물리식(Beer‑Lambert 혹은 RTE) 잔차를 손실에 추가하는 방식이다. 원본 PINN은 Beer‑Lambert 잔차만을 사용했으며, 최적화된 PINN은 깊이와 정규화를 늘려 표현력을 높였지만, 물리식이 실제 조직에서 완전하지 않음에 따라 물리 손실이 오히려 학습을 방해한다는 점을 확인했다. RTE‑영감을 받은 PINN은 산란을 고려한 약한 정규화를 도입했지만, 각도별 복사량을 근사하는 데 필요한 계산량이 급증하면서 추론 지연이 늘어나고, 성능 향상은 미미했다. 선택적 RTE PINN은 계산 비용을 줄이기 위해 물리 영역을 제한했지만, 잡음이 지배적인 상황에서는 물리적 제약보다 데이터 기반 잡음 억제가 더 중요함을 보여준다.

세 번째인 얕은 DNN은 물리 정보를 전혀 사용하지 않은 순수 데이터‑드리븐 모델이다. 파라미터 수는 PINN보다 적지만, 비선형 표현력에 의존하므로 잡음이 강할수록 과적합 위험이 커지고, 결국 RMSE가 Beer‑Lambert 모델보다 크게 악화된다.

전체적으로, 저‑SNR 상황에서는 “물리‑기반 피처 엔지니어링 + 선형 회귀”가 가장 효율적이며, 복잡한 신경망 구조는 잡음 억제보다 계산 비용과 학습 불안정성을 초래한다는 중요한 교훈을 제공한다. 또한, 시뮬레이터 자체가 향후 실제 착용형 디바이스의 하드웨어·환경·생리 변동을 재현하는 표준 벤치마크로 활용될 가능성을 시사한다.