이 발표는 노이즈가 많은 저품질 PPG 신호를 버리지 않고, 시간적으로 인접한 고품질 신호와 포지티브 페어(Positive pair)로 구성하여 아티팩트(Artifact)에 강건한 표현을 학습하는 ‘SiamQuality’ 파운데이션 모델을 소개합니다.

연구 배경 및 문제 정의

• 기존 PPG 연구의 한계: 움직임, 센서 접촉 불량 등으로 발생한 저품질 신호를 학습 및 평가에서 완전히 제거하여, 실제 임상 환경의 복잡성을 반영하지 못하고 데이터 손실 발생
• 핵심 질문: PPG 품질이 다르더라도 같은 환자의 시간적으로 인접한 생리학적 상태라면 비슷한 표현(Representation)을 학습할 수 있는가?

SiamQuality 핵심 설계 및 학습 방법

• 퀄리티 기반 페어링(Quality-based Pairing): 동일 환자의 5분 이내에서 고품질 세그먼트(아티팩트 0%)와 저품질 세그먼트(아티팩트 20% 이상)를 하나의 포지티브 페어로 묶음
• 포지티브 온리 러닝(Positive-only Learning): 네거티브 페어 없이(SimSiam 아키텍처 활용) 두 신호의 코사인 유사도 손실(Cosine Similarity Loss)을 줄이도록 양방향 학습 수행
• 커리큘럼 러닝(Curriculum Learning): 두 세그먼트 간의 아티팩트 비율 차이(품질 격차)가 작은 쉬운 페어부터 큰 어려운 페어 순으로 점진적 학습 진행
• 대규모 데이터 활용: 성인 중환자실(ICU) 환자 2,000명으로부터 추출한 30초 길이의 PPG 3,600만 쌍을 ResNet 기반 CNN 백본으로 사전 학습

다운스트림 성능 (요약)

• 호흡수 추정(RR): 비교 모델 중 가장 낮은 예측 오차(MAE 0.8) 달성
• 심방세동(AF) 탐지: 전체 시그널 커버리지(저품질 포함) 조건에서 F1 스코어 0.711로 최고 성능 기록
• 심박수 추정(HR): 저품질 신호를 포함한 전체 데이터 평가 시 특정 데이터셋(Dalia, WESAD)에서 우수한 성능 입증 (단, 극단적 노이즈가 많은 Troika에서는 성능 저하 발생)
• 잠재 공간(Latent Space) 시각화: 심박수 대역별로 군집화가 잘 이루어져, 주기적 패턴 및 생리학적 특징이 레이턴트 공간에 잘 추출되었음을 확인

새로운 평가 지표: AT 커브(Artifact Tolerance Curve)

• 데이터에 허용하는 아티팩트 비율(X축)에 따른 모델 성능(Y축)과 평가에 포함되는 표본 수(막대그래프)의 변화를 시각화
• 신호 품질과 모델 성능 간의 트레이드오프(Trade-off)를 직관적으로 분석하여 단일 평균 성능의 한계 보완

한계 및 향후 과제

• 제로샷 추론 한계: 대형 언어 모델(LLM)과 달리 새로운 태스크 수행 시 반드시 태스크 특화 파인튜닝 과정 필요
• 혈압 추정(BP) 한계: 단일 PPG 모달리티만 사용하여, ECG를 함께 결합한 다중 모달 모델 대비 혈압 추정 성능 열위
• 확장성: 임상 현장의 노이즈에 강인한 연속적인 생체 신호 모니터링 시스템 구축 및 다중 모달리티 결합으로의 연구 확장 기대