일상생활에서 스마트워치나 환자 모니터링 장비로 심박수를 측정하면, 움직임이 많을수록 값이 부정확해지는 경우가 많다. 이러한 문제는 실제 스마트워치 등에서 널리 활용되는 광용적맥파(Photoplethysmogram, PPG) 기반 심박수 측정에서도 나타나, 신뢰할 수 있는 심박수 분석 방법이 요구된다.

서울대병원 영상의학과 이동헌 교수 연구팀은 잡음이 섞인 광용적맥파 신호에서 심장 박동과 직접 관련된 신호 성분만을 분리해 심박수를 보다 정확하게 분석할 수 있는 인공지능 기반 분석 방법을 제시했다. 연구 결과, 실제 환경에서 측정된 광용적맥파 신호에서도 심장 박동에 해당하는 근원 신호를 분리함으로써, 이를 바탕으로 계산한 심박수가 광용적맥파 신호를 그대로 사용했을 때보다 심전도로 측정한 값에 더 가깝게 개선되는 것으로 나타났다.

광용적맥파는 손목이나 손가락에 빛을 비춰 혈류 변화를 감지함으로써 심박수를 측정하는 생체 신호이다. 하지만 일상생활 중에는 움직임이나 피부 접촉 변화로 잡음이 쉽게 섞여, 정확한 심박수 분석에 한계가 있었다.

연구팀은 잡음이 섞인 광용적맥파 신호를 하나의 불완전한 신호로 보지 않고, 여러 생리적 신호 성분이 혼합된 결과로 해석했다. 이에 여러 신호가 섞인 데이터에서 의미 있는 근원 신호를 분리하는 블라인드 소스 분리(BSS) 개념을 정답 없이도 신호 구조를 학습하는 자기지도학습 인공지능 모델에 적용했다.

이를 위해 연구팀은 BSS 기반 자기지도학습 다중 인코더 오토인코더(Multi-Encoder Autoencoder, MEAE) 구조를 활용했으며, 별도의 잡음 제거 필터링이나 데이터 선별 과정 없이 대규모 수면다원검사 공개 데이터베이스(MESA)의 광용적맥파 신호를 학습에 사용했다. 그 결과 하나의 광용적맥파 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 심박수를 바탕으로, 광용적맥파 원(原) 신호와 기존 신호 처리·분리 기법, 그리고 연구팀이 제안한 BSS 기반 MEAE 방법을 비교해 평가했다.

그 결과, 일상 활동 중 잡음이 포함된 광용적맥파를 측정한 9명의 피험자 데이터(총 108개 기록)에서 광용적맥파 신호를 그대로 사용했을 때보다 심전도 기준 심박수와의 오차(RMSE)가 14.4±10.6 bpm에서 4.9±5.1 bpm으로 감소했다. 심전도 기준 심박수와의 상관계수도 0.407에서 0.740으로 증가해, 심박수 변화 양상을 보다 잘 반영하는 것으로 확인됐다. 이러한 성능 개선은 수술 환자 데이터를 이용한 분석에서도 유사하게 나타났다.

이번 연구는 잡음의 유형에 대한 사전 정보나 인위적인 잡음 증강 없이도, 광용적맥파 신호에서 심박수 분석에 적합한 근원 신호를 직접 분리해 활용할 수 있음을 확인한 결과다. 실제 임상 환경은 물론, 의료 목적의 웨어러블 기기에서도 보다 안정적인 심박수 분석에 활용될 가능성을 보여준다.

이동헌 교수는 “이번 연구에서는 심박수 계산에 필요한 신호뿐 아니라, 호흡 등 심장 박동과 다른 생리적 리듬과 연관된 신호가 심장 박동 신호와 구분되어 나타나는 양상도 확인했다”며 “이는 인공지능이 정답을 미리 알지 않아도 신호의 구조적 차이를 스스로 학습할 수 있음을 보여준다”고 설명했다.

이번 연구 결과는 생체공학 및 의료정보학 분야의 국제 학술지 ‘Computers in Biology and Medicine’ 최근호에 게재됐다.