딥러닝을 활용한 웨어러블 PPG 노이즈 감지 및 신호 복원

Abstract

스마트워치 및 웨어러블 기기를 통해 수집한 광용적맥파(Photoplethysmography, PPG) 신호는 심박수(Heart Rate, HR) 및 심박변이도(Heart Rate Variability, HRV) 측정을 위해 널리 활용되지만, 낮은 샘플링 레이트와 모션 아티팩트로 인해 신호 품질이 저하되는 문제가 있다. 본 연구에서는 50명의 참가자를 대상으로 웨어러블 기기(25 Hz)와 바이오팩(2,000 Hz)을 동시에 착용하여 데이터를 수집하였으며, 각 참가자는 3개의 서로 다른 상태(State)에서 측정을 진행하였다. 수집된 데이터는 1분 단위로 분할한 후, 노이즈 감지를 수행하였다. 이후, Segade 모델을 활용하여 웨어러블 PPG에서 노이즈 구간을 감지하고, 생성모델을 이용하여 복원하는 방식을 제안한다. 활용가능한 생성모델을 VAE, GAN, Diffusion 등이고, 이들을 비교하여 시계열 신호의 Denoising 가능성을 확인하는 것을 목표로 한다. 생성 및 복원된 데이터의 평가는 복원된 PPG 신호와 바이오팩 PPG 신호 간의 RMSE (Root Mean Square Error) 및 MAE (Mean Absolute Error)를 사용하고, ICC 및 Bland-altman plot으로 신호 유사성을 확인한다. 실험을 통해, 제안된 모델은 기존 신호 처리 및 딥러닝 기반 디노이징 기법보다 더 우수한 복원 성능을 보일 것으로 예측되며, RMSE 및 MAE의 수치도 감소와 더불어 높은 ICC 값을 기록할 것으로 기대된다. 이러한 결과를 통해, Segade 모델과 생성 모델을 결합한 접근 방식이 웨어러블 PPG 신호의 품질을 개선하고, 보다 신뢰성 높은 데이터를 제공할 수 있는 도구로서의 활용 가능성을 제안한다.