[Biosignal] - PPG(Photoplethysmography)에 Deep learning이 적용된 최신 연구 동향을 살펴보자 ! - 구글 스칼라 및 리뷰 페이퍼 사용법 - part1

 

최신 연구동향 파악

최신 연구동향을 파악하는 것은 연구의 첫 단계입니다. 관심 분야에 대한 최신 논문을 확인하면서 현재 어떤 방법론으로 해당 문제에 접근하는지에 대해 인사이트를 얻고, 내 연구에서 어떻게 적용하면 좋을지 고민해보는 과정입니다. 

 

여러 경로에서 최신 연구에 대한 정보를 확인할 수 있는데요, 아마 가장 많이 이용하시는 경로는 'Google Scholar' 이지 않을까 싶습니다. 

 

저는 Google Scholar 에서 Biosignal 분야의 최신 연구 동향을 살펴보고자 해당 논문을 선택했습니다. 

아직 Arxiv에 업로드만 된 상태인데, 가장 최근에 나온 PPG 리뷰 페이퍼라 선택하게 되었습니다. 

 

PPG(Photoplethysmography)에 Deep learning이 적용된 연구들에 대한 리뷰 페이퍼이고, 해당 논문을 아주 구체적으로 리딩하면서 연구 트렌드에 대한 조사를 할 생각입니다. 리뷰 페이퍼는 양이 매우 방대해서 처음부터 끝까지 정독을 하기엔 시간이 너무 오래 걸립니다. 그래서 중요한 부분을 위주로 읽으면서 해당 분야의 트렌드를 따라가 봅시다.

 

---

 

Abstract 

 

논문 : https://arxiv.org/abs/2401.12783

A Review of Deep Learning Methods for Photoplethysmography Data

 

Background and objectives: Photoplethysmography (PPG) is a highly promising device due to its advantages in portability, user-friendly operation, and non-invasive capabilities to measure a wide range of physiological information, such as heart rate and blood oxygen saturation. Recent advancements in deep learning have demonstrated remarkable outcomes by leveraging PPG signals collected from a variety of PPG devices for tasks related to personal health management and other multifaceted applications.

 

해당 연구의 Abstract 에서 PPG는 휴대성, 사용 편의성, 비침습적(None-Invasive) 측정 기능 덕분에 심박수와 혈중 산소 포화도와 같은 광범위한 생리적 정보를 측정할 수 있는 매우 유망한 디바이스라고 소개합니다. 그리고 PPG는 딥러닝 기술의 발전에 따라 PPG 장치에서 수집된 신호를 활용하여 개인 건강 관리 및 다양한 응용 분야에서 뛰어난 결과를 보이고 있다고 언급합니다. 

 

Methods: We systematically reviewed papers that applied deep learning models to process PPG data between January 1st of 2017 and July 31st of 2023 from Google Scholar, PubMed and Dimensions. Each paper is analyzed from three key perspectives: tasks, models, and data.

 

이어서 리뷰 방법론에 대한 내용입니다. 2017년 1월 1일부터 2023년 7월 31일까지 Google Scholar, PubMed, Dimensions 데이터 베이스에서 딥러닝 모델을 적용한 PPG 데이터 처리에 관련된 논문들을 대상으로 한다고 합니다. 

 

분석 기준은 Task, Model, Data 이 세 가지라고 하네요. Task는 PPG 데이터가 활용된 특정 작업(건강 상태 모니터링 , 생체 신호 추정 등)이고, 모델은 사용된 딥러닝 모델의 구조와 특성이 될 것 입니다. 데이터는 사용된 PPG 데이터의 출처, 품질, 전처리 방식 등이 됩니다. 

 

Results: We finally extracted a total of 193 papers where different deep learning frameworks were used to process PPG signals. Based on the tasks addressed in these papers, we categorized them into two major groups: medical-related, and non-medical-related. The medical-related tasks were further divided into seven subgroups, including blood pressure analysis, cardiovascular monitoring and diagnosis, sleep health, mental health, respiratory monitoring and analysis, blood glucose analysis, as well as others. The non-medical-related tasks were divided into four subgroups, which encompass signal processing, biometric identification, electrocardiogram reconstruction, and human activity recognition.

 

최종적으로 선정된 논문은 193편이며 이는 다양한 딥러닝 프레임워크가 PPG 신호 처리에 사용된 논문을 선정한 것입니다. 

Task는 의료 관련(Medical-related) 작업과 비의료 관련(Non Medical-related) 작업으로 대분류가 나뉩니다. 

 

의료 관련(Medical-related) 작업은 7개의 세부 작업으로 분류:

1. 혈압 분석(Blood Pressure Analysis)
2. 심혈관 모니터링 및 진단(Cardiovascular Monitoring and Diagnosis)
3. 수면 건강(Sleep Health)
4. 정신 건강(Mental Health)
5. 호흡 모니터링 및 분석(Respiratory Monitoring and Analysis)
6. 혈당 분석(Blood Glucose Analysis)
7. 기타(Others)

비의료 관련(Non Medical-related) 작업은 4개의 세부 작업으로 분류:

1. 신호 처리(Signal Processing)
2. 생체 인식(Biometric Identification)
3. 심전도 복원(Electrocardiogram Reconstruction)
4. 인간 활동 인식(Human Activity Recognition)

 

Conclusions: In recent years, significant progress has been made in the field of using deep learning methods to process PPG data. This allows for a more thorough exploration and utilization of the information contained in PPG signals. Compared to traditional machine learning approaches that rely on manual features, deep learning methods offer higher accuracy and a more convenient model building process. However, challenges remain, such as limited quantity and quality of publicly available databases, a lack of effective validation in real-world scenarios, and concerns about the interpretability, scalability, and complexity of deep learning models. Moreover, there are still emerging research areas that require further investigation.

 

최근 몇 년간 딥러닝을 적용하여 PPG 신호의 정보를 더 깊이 탐구하고 활용할 수 있는 기술적 진보가 이루어졌습니다. 

기존에는 수작업에 의존하는 전통적 머신러닝 접근법이 선호되었지만, 딥러닝은 더 높은 정확도와 편리한 모델 구축 과정을 제공하죠. 하지만 데이터베이스 문제(공개 데이터베이스의 수량과 품질의 부족)와 실제 환경에서의 검증이 부족하다는 문제점이 있습니다. 또한, 모델의 해석 가능성 및 확장성에도 문제가 있습니다. 이는 기존의 딥러닝 문제로 많이 언급되었던 부분이죠. 딥러닝 모델의 복잡성과 해석 가능성이 부족하고 , 모델의 확장성(Scalabilty)과 실용성에 대한 우려가 남아있습니다. 

 

---

Introduction 

본 섹션에서는 PPG의 특징과 발전 과정에 대해서 언급합니다. PPG는 심혈관 지표를 모니터링하는 데 널리 사용되는 생체 신호 중 하나로 주목받고 있고, 심박수(HR), 동맥 혈압(ABP), 혈중 산소 포화도(SpO2), 호흡률(RR)과 같은 중요한 생리적 매개변수를 제공하기 때문입니다. 

심박수(HR) - 심장이 1분 동안 박동하는 횟수를 나타내는 지표. 일반적으로 맥박으로 측정합니다. 
일반적으로 성인의 평균 정상 심박수는 60~100 bpm 입니다.
심박수를 통해 신체의 대사 상태와 심혈관 건강 상태를 평가하는 데 중요한 역할을 합니다. 

$ \frac{\text{Number of beats in a time period}}{\text{Time period in seconds}} \times 60 $ 

-> 특정 시간 동안 측정된 심박수를 사용하여 분당 심박수로 계산합니다. 

동맥 혈압(ABP) - 심장이 혈액을 동맥으로 펌핑할 때 혈관 벽에 가해지는 압력. 
동맥 혈압은 수축기 혈압(SBP)와 이완기 혈압(DBP)로 나뉩니다. SBP의 경우 심장이 수축하여 혈액을 보낼 때의 최고 압력이고, DBP의 경우 심장이 이완하여 혈액이 채워질 때의 최저 압력을 나타냅니다. 
정상 혈압은 SBP < 120 mmHg, DBP < 80 mmHg 이고, 고혈압이나 저혈압은 심혈관 질환의 위험 요인입니다. 

$ MBP = \frac{2 \times \text{DBP} + \text{SBP}}{3} $ 

-> MBP(Mean Blood Pressure, 평균 혈압)는 한 사이클 동안 동맥 내에서 평균적인 혈압을 나타냅니다. 

혈중 산소 포화도(SpO2) - 혈액 내 산소가 결합된 헤모글로빈의 비율을 백분율로 나타낸 지표. 
SpO2의 경우 비침습적 측정을 통해 산소 포화도를 평가할 수 있습니다. 
정상 값의 경우 95~100% , 낮은 값은 90% 미만이고 저산소증(hypoxemia)의 위험이 있습니다. 

$ SpO2 = \frac{\text{Oxygenated Hemoglobin}}{\text{Total Hemoglobin}} \times 100 $ 

-> 산소가 결합된 헤모글로빈(Oxygenated Hemoglobin)의 비율을 백분율로 계산합니다. 산소포화도 센서(PPG 기반)에서 적색 및 적외선 흡수를 비교하여 산출합니다. 

호흡률(RR) - 1분 동안 이루어지는 호흡 횟수.
호흡은 폐가 산소를 들이마시고 이산화탄소를 내보내는 과정입니다. 
성인의 평균 정상 호흡률은 12~20회 / 분입니다. 
해당 지표는 호흡기 및 전신 건강 상태 평가, 응급 상황에서 중요한 바이탈 사인이 될 수 있습니다. 

$ RR = \frac{\text{Number of breaths in a time period}}{\text{Time period in seconds}} \times 60 $

-> 특정 시간 동안 측정된 호흡 횟수를 사용하여 분당 호흡수(breaths per minute)로 계산합니다. 

 

PPG는 스마트워치, 펄스 옥시미터, 스마트 링, 스카프 등 다양한 웨어러블 기기에서 응용되고 있습니다. 

( Innovo Deluxe Fingertip pulse oximeter), smartwatches (e.g., Apple Watch Series 9), rings (e.g., Amovan Nova Ring), and even scarves (e.g., Manchester City Bar Scarf). ) 

 

PPG는 웨어러블 장치 및 헬스케어 기술의 중심으로 자리 잡았으며 이를 효과적으로 분석하기 위한 자동화된 딥러닝 모델의 중요성이 커지고 있습니다. 결과적으로 방대한 데이터가 축적되었고, 인간 전문가의 분석 능력을 초과하는 수준에 도달했습니다. 따라서 정확하고 자동화된 PPG 데이터 분석 방법의 필요성이 대두되었죠. 

 

전통적인 머신러닝 방법은 PPG 데이터를 자동 분석하기 위해 수작업 특징 추출을 필요로 합니다.

(Traditional machine learning methods for automatic analysis of PPG data typically involve manual feature extraction [5, 6].)

 

연구자들은 먼저 PPG 데이터에서 관련 특징을 식별 정의 및 선택한 뒤 이를 모델에 입력하여 최종 결과를 도출하는 방식이죠. 

이는 시간이 많이 소모되는 문제와 노동 집약적이라는 한계가 있습니다. 또한 사람이 직접 작업하기에 특징 범위가 제한적일 가능성이 있으며 데이터에 내재된 중요한 정보를 놓칠 가능성도 있습니다. 

 

딥러닝 기반 접근 방식의 장점은 데이터를 기반으로 데이터에 숨겨진 의미 있는 패턴을 효과적으로 발견한다는 점입니다. 또한 기존 의료 지식을 넘어서는 특징을 자동으로 학습하게 되죠. 그리고 End-to-End 분석 방법을 통해 수작업 특징 추출 및 선택이 필요하지 않습니다. 연구자는 데이터를 모델에 입력하기만 하면 모델이 자동으로 분석을 수행하죠. 

 

결과적으로 작업 효율성이 크게 향상되며, 연구자는 PPG의 다양한 작업 및 응용을 탐구할 시간을 확보하게 됩니다. 

 

---

 

Background

PPG

The principle of PPG involves the measurement of variations in light absorption caused by the pulsatile nature of blood flow through the skin tissue. A typical PPG sensor consists of two main components: a light source and a photodetector (PD). The light source, often a light emitting diode (LED), emits light into the skin tissue, while the PD measures the amount of light absorbed or reflected. There are two types of PPG: transmittance PPG and reflectance PPG (see Figure 1) [14]. Transmittance PPG involves the direct transmission of light through the tissue to a PD on the opposite side of the tissue, while reflectance PPG measures the light reflected back from the tissue to a PD located nearby. Both types capture the variations in light absorption caused by the pulsatile blood flow, enabling the analysis of physiological parameters such as HR.

 

PPG의 원리에 대한 내용으로 Background 세션이 시작합니다. 

 

PPG의 원리는 피부 조직을 통해서 흐르는 맥동성 혈류에 의해 발생하는 빛 흡수 변화를 측정하는 데 기반을 둡니다. 일반적인 PPG 센서는 두 가지 주요 구성 요소로 이루어져 있습니다. ( 광원과 광검출기 )

 

 

- 광원 : 주로 발광 다이오드(LED)를 사용하며, 피부 조직에 빛을 방출합니다.

- 광검출기(PD) : 흡수되거나 반사된 빛의 양의 측정합니다. 

 

PPG는 투과형 PPG(transmittance PPG)와 반사형 PPG(reflectance PPG)의 두 가지 유형으로 나뉩니다. 

- 투과형 PPG : 빛이 조직을 직접 통과하여 반대편에 있는 광검출기로 전달됩니다. 

- 반사형 PPG : 조직에서 반사된 빛을 가까운 위치에 있는 광검출기가 측정합니다. 

 

두 유형 모두 맥동성 혈류로 인해 발생하는 빛 흡수의 변화를 포착하며, 이를 통해 심박수와 같은 생리적 매개변수를 분석할 수 있습니다.  

 

맥동성 혈류(Pulsatile Blood Flow) 
맥동성 혈류는 심장이 수축하고 이완하면서 혈액을 동맥으로 펌프질할 때 나타나는 혈류의 리듬감 있는 변화를 의미합니다. 
수축기(Systole)는 심장이 수축하여 혈액을 밀어낼 때 동맥 내 혈류 속도와 압력이 증가합니다. 그리고 이완기(Diastole)는 심장이 이완하여 혈액을 채울 때 혈류 속도와 압력이 감소합니다. 
이러한 주기적 변화가 맥박(pulse)으로 나타나며, 이를 기반으로 생리적 상태를 모니터링할 수 있습니다.

 

맥동성 혈류와 PPG의 관계
- PPG(광용적맥파) 신호는 맥동성 혈류로 인해 발생하는 빛 흡수 변화를 기반으로 합니다.
- 맥동성 성분(pulsatile component) : 혈류의 변화를 반영하며, 주로 심박수와 동맥 혈압과 관련
- 비맥동성 성분(non-pulsatile component) : 조직, 정맥 혈액, 기타 상수 성분으로 인해 발생. 

 

The interaction of light with human tissues is influenced by its wavelength, and PPG devices can utilize a range of wavelengths to capture physiological information. These can include red light (622-780 nm) [15], infrared light (780-2400 nm) [16], green light (500 - 570 nm) [17], and potentially other wavelengths as well. Recent research suggests that green light may outperform red and infrared light in certain scenarios due to its improved resistance to motion artifacts [18, 19]. However, it’s crucial to recognize that the choice of the optimal wavelength may differ based on the specific application and device design.  Due to their portability, user-friendly operation, non-invasive nature, and the ability to provide valuable physiological data, PPG sensors have gained increasing popularity in both healthcare and medical devices today. Various forms of PPG devices (see Figure 1), such as smartwatches, scarves, rings, Bluetooth headsets, pulse oximeters, and bedside monitors, serve different purposes. Healthcare devices, in particular, play an increasingly important role in out-of-clinical health monitoring. Several studies have been conducted to validate their ability and reliability in healthcare tasks, such as HR monitoring [20, 21], SpO2 estimation [22], and sleep analysis [23, 24], revealing their enormous potential in self-health management.

 

빛의 파장은 인체 조직과의 상호작용을 결정하며 PPG 장치는 다양한 파장을 활용하여 생리적 정보를 수집합니다. 

 

주요 파장:

1. 적색광 (Red light): 622–780 nm【15】.
2. 적외선 (Infrared light): 780–2400 nm【16】.
3. 녹색광 (Green light): 500–570 nm【17】.
4. 기타 파장: 응용 및 장치 설계에 따라 선택 가능.

최근 연구에 따르면 녹색광은 특정 상황에서 적색광 및 적외선보다 움직임 인공물(Motion Artifact)에 더 강한 저항성을 보여준다고 합니다.  

[18] Alharbi S, Hu S, Mulvaney D, Blanos P. An applicable approach for extracting human heart rate and oxygen saturation during physical movements using a multi-wavelength illumination optoelectronic sensor system. In: Design and Quality for Biomedical Technologies XI. vol. 10486. SPIE; 2018. p. 85-99.

[19] Alharbi S, Hu S, Mulvaney D, Barrett L, Yan L, Blanos P, et al. Oxygen saturation measurements from green and orange illuminations of multi-wavelength optoelectronic patch sensors. Sensors. 2018;19(1):118.

 

Deep Learning

Figure1 Overview of analysis based on the aspects of tasks, models and data

 

 

최근 몇 년간 딥러닝 방법은 음성 인식, 컴퓨터 비전, 자연어 처리와 같은 다양한 응용 분야에서 유망한 결과를 보여주었습니. 딥러닝은 머신러닝의 하위 집합으로, 복잡한 데이터셋에서 학습하고 예측을 수행하기 위해 신경망을 활용하는 인공지능(AI)의 특정 분류입니다. 대규모 데이터에서 의미 있는 패턴과 특징을 자동으로 정확하게 추출할 수 있는 능력 덕분에, 딥러닝은 많은 작업에서 널리 사용되고 있으며, PPG 분석도 예외는 아닙니다.

 

본 논문에 따르면 딥러닝은 크게 판별 모델(Discriminative Models)과 생성 모델(Generative Models)로 나눌 수 있습니다. 

판별 모델의 경우 입력 데이터와 해당 출력 값 간의 관계를 학습하여 정확한 분류 및 회귀 예측을 수행합니다. 대표적인 예시로 완전 연결 신경망(Fully Connected Later), 합성곱 신경망(CNN), 순환 신경망(RNN), Transformer 등이 있습니다. 반면 생성 모델은 데이터의 근본적인 분포를 이해하고 학습 데이터와 유사한 새로운 샘플을 생성하는 것을 목표로 합니다. 생성 모델의 예로는 오토인코더(AE), 생성적 적대 신경망(GAN) 등이 있습니다. 

 

Methods

 

 

Methods 섹션에서는 저자들이 논문을 찾고 선택하는 방법론에 대한 설명이 나와있습니다. 

 

우선 딥러닝 기술을 PPG 데이터에 적용한 논문을 대상으로 2017년 1월 1일부터 2023년 7월 31일까지의 문헌을 검색하였습니다. 플랫폼은 Google Scholar, PubMed, Dimensions 데이터 베이스입니다. 

 

검색 키워드는 "Deep Learning" or "DL" 그리고 "photoplethysmography" or "PPG" 입니다. 

 

Figure 2에 제시된 문헌 검색 및 선택 워크플로는 다음과 같은 4단계 과정으로 구성됩니다:

1. Identification (검색):
   • 총 646편의 논문을 검색.
   • 중복 제거 후 491편으로 축소.
2. Screening (제목 및 초록 검토):
   • 논문의 제목과 초록을 검토하여 제외 기준에 따라 평가:
     1. 영어로 작성되지 않은 논문.
     2. 접촉(contact) 기반 PPG 데이터를 다루지 않는 논문.
     3. 딥러닝 기법을 사용하지 않은 논문.
     4. 정량적 평가(quantitative evaluation)가 부족한 논문.
   • 이 과정에서 237편의 논문이 제외.
3. Eligibility (전문 검토):
   • 전문(full-text)을 검토하여 추가로 61편의 논문을 제외.
4. Inclusion (최종 선정):
   • 최종적으로 193편의 논문을 선정.

결과적으로 초기 646편의 논문 중 중복 및 기준 미달 논문을 제거한 뒤, 총 193편의 논문이 최종 분석에 포함되었습니다. 이 과정을 통해서 딥러닝과 PPG 데이터를 다룬 고품질 연구를 선정할 수 있었습니다. 

 

Results 

해당 세션에서는 의료 관련 테스크와 비의료 관련 테스크가 나뉘어서 여러 연구들을 비교합니다. 

 

Medical-related tasks 

혈압 분석 - Blood Pressure analysis 

고혈압(Hypertension)은 매우 흔한 심혈관 질환으로 심장, 혈관, 뇌, 신장과 같은 주요 장기에 손상을 초래하여 개인의 건강에 상당한 위협을 가합니다. 그러나 상당수의 사람들이 자신들의 비정상적인 혈압을 인지하지 못하고 있으며 이는 향후 심각한 건강 위험이 될 가능성이 있습니다. 

 

전통적인 혈압 측정 방법은 침습적이거나 간헐적인 cuff 기반 장치에 의존하므로 일상생활에서의 연속적인 혈압 모니터링에 적합하지 않습니다. 여러 연구에 따르면 PPG는 혈압과 상관관계가 있는 신호로 밝혀졌습니다. 따라서 현재 연구들은 PPG와 딥러닝을 통합하여 혈압을 정확히 분류하고 추정하는 데 초점을 맞추고 있습니다. 

 

혈압 분류 영역에서 주요 목표는 주어진 PPG 세그먼트를 해당 혈압 범주에 매핑하는 것입니다. 예를 들어, 다른 연구에서는 CNN과 LSTM 기반 아키텍처를 제안하여 혈압을 저혈압, 정상혈압, 전고혈압, 1단계 고혈압, 2단계 고혈압의 다섯 가지 그룹으로 분류하였습니다. 이 연구는 UCI_BP(UCI 머신러닝 혈압) 데이터베이스를 사용하였으며, 이 데이터베이스는 12,000개의 동시 PPG, ECG, 및 침습적으로 측정된 ABP 세그먼트를 포함하고 있습니다.

 

또한, 고혈압이 초래하는 높은 위험을 감안할 때, 고혈압의 정확한 분류와 평가에 중점을 둔 연구도 진행되고 있습니다.

 

 

대부분의 연구는 비침습적인 혈압 추정에 중점을 두며, 이는 크게 두 가지 주요 그룹으로 나눌 수 있습니다. 

 

하나의 그룹은 입력 PPG 신호를 기반으로 수축기 혈압(SBP), 이완기 혈압(DBP), 평균 동맥압(MAP) 과 같은 이산적인 혈압 값을 얻는 것을 목표로 합니다. 

 

다른 그룹은 연속적인 혈압 파형(continuous BP waveform)을 재구성하는 데 집중하며, 이를 통해 더 포괄적인 혈압 정보를 제공합니다. 

 

예를 들어, DeepCNAP 라는 모델은 ResUNet과 self-attention을 결합한 모델을 개발하여 연속적인 ABP(동맥혈압) 파형을 추출하였으며, MIMIC 데이터베이스에서 다음과 같은 MAE를 달성했습니다.

 

• SBP: 3.40±4.36 mmHg3.40 \pm 4.36 \, \text{mmHg}3.40±4.36mmHg,
• DBP: 1.75±2.25 mmHg1.75 \pm 2.25 \, \text{mmHg}1.75±2.25mmHg,
• 혈압 파형: 3.23±2.21 mmHg3.23 \pm 2.21 \, \text{mmHg}3.23±2.21mmHg.

또한, 기존 데이터베이스 중 일부에는 ECG, PPG, ABP 신호가 동기화되어 포함되어 있다는 점이 관찰되었습니다. 여러 연구는 ECG, PPG, ABP 신호 간의 상관관계를 입증하였으며, 이에 따라 일부 연구자들은 동기화된 ECG 및 PPG 신호를 모델의 입력으로 통합하여 이들 신호 간 관계에 대한 보다 포괄적인 이해를 도모하였습니다.

심혈관 모니터링 및 진단 - Cardiovascular monitoring and diagnosis 

PPG 신호는 인간의 심혈관계 정보를 추출하는 데 유용하며, 다양한 응용 분야에서 유망한 결과를 보여주고 있습니다. 

예를 들어, 다음과 같은 부정맥의 탐지 및 분류에 활용되고 있습니다. 

 

 

• 조기 심실 수축(premature ventricular contraction),
• 조기 심방 수축(premature atrial contraction),
• 심실 빈맥(ventricular tachycardia),
• 상심실성 빈맥(supraventricular tachycardia),
• 심방세동(AF)

또한 PPG 신호는 심박수 추정(HR), 말초 동맥 질환(Peripheral arterial disease) 평가, 발목 상완 지수(ankle brachial index) 분류, 심혈관 노화 평가, 심박수 변동성(heart rate variability) 계산과 같은 심혈관 관련 작업에서도 유용성이 입증되었습니다. 

 

여러 부정맥 중에서도 심방세동(AF) 탐지는 특히 주목할 가치가 있습니다. 

- 이진 분류 : AF와 none-AF를 구분하는 테스크

- 다중 클래스 분류 : 동성 리듬(sinus rhythm), AF, 기타 부정맥으로 분류 

 

수면 건강 - Sleep health 

폐쇄성 수면무호흡증(OSA)과 불면증과 같은 수면 장애로 인해 발생하는 부적절하거나 부족한 수면은 내분비계와 대사계의 기능 이상 고차원적인 대뇌 피질의 기능의 손상, 신경계 질환 등 다양한 생리적 이상과 연관되어 있습니다. 

다중수면검사(Polysomnography, PSG)는 수면 연구실에서 사용되는 표준 검사법으로, 비용이 많이 들고 시간이 많이 소요됩니다.  이는 수면의 질에 부정적인 영향을 미칠 수 있죠. 그래서 최근 PPG 기반 딥러닝 기법이 수면 건강 분야에서 주목받고 있습니다. 

 

현재 EEG(뇌파) 기반으로 수행되는 수면 단계 분류는 EEG 설정의 복잡성과 수작업 채점의 시간 소모로 인해 비효율적입니다. 이를 간소화하기 위해 타 연에서는 CRNN(CNN-GRU) 아키텍처를 설계하여 수면 단계를 자동으로 식별하도록 하였습니다.

• 데이터: 폐쇄성 수면무호흡증(OSA) 의심 환자(n = 894)의 투과형 PPG 신호를 사용.
• 수면 단계 분류:
  1. 3단계 분류: 깨어 있음(Wake)/비REM(NREM)/REM.
     • 정확도: 80.1%, Cohen’s κ: 0.65.
  2. 4단계 분류: 깨어 있음(Wake)/N1+N2/N3/REM.
     • 정확도: 68.5%, Cohen’s κ: 0.54.
  3. 5단계 분류: 깨어 있음(Wake)/N1/N2/N3/REM.
     • 정확도: 64.1%, Cohen’s κ: 0.51.

현재 EEG(뇌파) 기반으로 수행되는 수면 단계 분류는 EEG 설정의 복잡성과 수작업 채점의 시간 소모로 인해 비효율적입니다. 이를 간소화하기 위해 타 연구에서는 CRNN(CNN-GRU) 아키텍처를 설계하여 수면 단계를 자동으로 식별하도록 하였습니다.

• 데이터: 폐쇄성 수면무호흡증(OSA) 의심 환자(n = 894)의 투과형 PPG 신호를 사용.
• 수면 단계 분류:
  1. 3단계 분류: 깨어 있음(Wake)/비REM(NREM)/REM.
     • 정확도: 80.1%, Cohen’s κ: 0.65.
  2. 4단계 분류: 깨어 있음(Wake)/N1+N2/N3/REM.
     • 정확도: 68.5%, Cohen’s κ: 0.54.
  3. 5단계 분류: 깨어 있음(Wake)/N1/N2/N3/REM.
     • 정확도: 64.1%, Cohen’s κ: 0.51.

 

수면 단계 식별과 병행하여, PPG 신호와 딥러닝을 결합하여 OSA를 탐지하는 연구도 진행되고 있습니다. 

( [79] Papini GB, Fonseca P, van Gilst MM, Bergmans JW, Vullings R, Overeem S. Wearable monitoring of sleepdisordered breathing: Estimation of the apnea–hypopnea index using wrist-worn reflective photoplethysmography. Scientific reports. 2020;10(1):13512 ) 

 

해당 연구에서는 독립된 데이터셋(임상적으로 이질적인 188개의 기록)을 사용한 테스트 결과, PSG 표준 검사와 높은 일치도를 보였습니다. 추정된 무호흡-저호흡 지수(AHI)는 OSA의 심각도를 평가하는 데 신뢰할 수 있는 결과를 보였습니다. 

 

혈당 분석 - Blood glucose analysis

당뇨병은 인슐린 생성 세포의 손실, 인슐린 작용의 부족, 또는 이 두 가지 요인으로 인해 탄수화물, 지방, 단백질 대사에 장애가 발생하며, 혈당 수치의 상승으로 특징지어지는 질환입니다. 기존의 침습적인 채혈(손가락 채혈) 방식은 불편함을 초래하므로, 비침습적이고 편리한 혈당 측정 방법에 대한 수요가 높습니다. 특정 파장에서 혈당 수치가 빛의 흡수 및 반사 신호에 영향을 미치는 특성 덕분에, PPG 기반 혈당 평가가 이론적으로 가능하며 최근 이에 대한 연구가 진행되고 있습니다.

 

당뇨병 탐지에는 보통 CNN을 기반으로 한 당뇨병 분류기가 연구되었습니다. PPG 신호와 고혈압 분류, 나이, 성별을 결합한 입력 데이터를 사용하여 CNN 기반 당뇨병 분류기를 개발하였습니다. 

 

또한 혈당 값 추정을 위해 약물 복용 여부의 영향에 대한 연구도 진행되었습니다. 약물을 복용한 그룹과 복용하지 않은 그룹을 나눠서 비침습적 혈당 예측 정확도에 약물이 미치는 영향을 조사했습니다. 

 

PPG 기반 혈당 분석은 비침습적 혈당 측정의 실현 가능성을 보여주며, 약물 영향 및 추가 생리학적 지표 활용을 통해 정확도를 크게 개선할 가능성을 제시합니다.

 

지금까지 봤던 Medical related 에서 연구되는 분야를 정리해보면 아래와 같겠네요!