일상생활에서 스마트워치 등 웨어러블 기기로 측정한 광용적맥파(PPG) 기반 심박수 데이터는 움직임이나 접촉 변화에 따른 잡음으로 정확도가 떨어지는 경우가 많다. 이로 인해 해당 데이터는 의료적 활용에 한계가 있다는 지적이 이어져 왔다.

서울대병원 영상의학과 이동헌 교수 연구팀은 잡음이 섞인 PPG 신호에서 심장 박동과 직접 관련된 신호 성분만을 분리해 심박수를 더 정확하게 분석할 수 있는 인공지능(AI) 기반 분석 방법을 제시했다고 밝혔다.

연구팀은 실제 환경에서 측정된 PPG 신호를 하나의 불완전한 데이터로 보지 않고, 여러 생리적 신호가 혼합된 결과로 해석했다. 이에 여러 신호가 섞인 데이터에서 의미 있는 근원 신호를 분리하는 블라인드 소스 분리(BSS) 개념을 정답 없이 신호 구조를 학습하는 자기지도학습 AI 모델에 적용했다.

이를 위해 BSS 기반 자기지도학습 다중 인코더 오토인코더(MEAE) 구조를 활용했으며, 별도의 잡음 제거 필터링이나 데이터 선별 과정 없이 대규모 수면다원검사 공개 데이터베이스(MESA)의 PPG 신호를 학습에 사용했다. 학습 결과 하나의 PPG 신호는 여러 근원 신호로 분리됐고, 이 가운데 심장 박동 패턴이 가장 뚜렷한 신호를 선택해 심박수 분석에 활용했다.

심박수 분석 성능은 심전도(ECG)로 측정한 기준 심박수와 비교해 평가했다. 일상 활동 중 잡음이 포함된 PPG 데이터를 분석한 결과, 심박수 오차(RMSE)는 기존 PPG 원 신호 대비 14.4±10.6 bpm에서 4.9±5.1 bpm으로 감소했으며, 심전도 기준과의 상관계수도 0.407에서 0.740으로 향상됐다. 이러한 개선 효과는 수술 환자 데이터를 활용한 분석에서도 유사하게 나타났다.

연구팀은 이번 결과가 특정 잡음 유형에 대한 사전 정보나 인위적인 잡음 증강 없이도, PPG 신호에서 심박수 분석에 적합한 근원 신호를 직접 분리해 활용할 수 있음을 보여준다고 설명했다. 이는 스마트워치 등 웨어러블 기기에서 측정된 심박수 데이터를 의료 목적에 활용하기 위한 기술적 기반을 제시한 연구로 평가된다.

이동헌 교수는 “이번 연구에서는 심장 박동 신호뿐 아니라 호흡 등 다른 생리적 리듬과 연관된 신호도 구분되는 양상을 확인했다”며 “인공지능이 정답을 알지 못한 상태에서도 신호의 구조적 차이를 학습할 수 있음을 보여준다”고 말했다.

한편, 이번 연구 결과는 생체공학 및 의료정보학 분야 국제학술지 Computers in Biology and Medicine 최근호에 게재됐다.