딥 PPG: 컨볼루션 신경망을 활용한 대규모 심박수 추정

광량맥박도법(Photoplethysmography, PPG) 기반의 지속적 심박수 모니터링은 헬스케어 및 피트니스 응용 분야 등 여러 분야에서 필수적인 기술이다. 최근에는 운동 아티팩트 보정의 과제를 해결하기 위해 시간-주파수 스펙트럼 기반의 방법들이 등장하고 있다. 그러나 기존의 접근 방식은 매우 많은 하이퍼파라미터를 필요로 하며, 소규모 공개 데이터셋에 특화된 최적화가 이루어져 있어 일반화 능력이 제한적이다. 본 연구는 이러한 분절화된 연구 현상을 해결하기 위해, PPG 기반 심박수 추정 방법의 견고성과 일반화 능력에 관한 연구를 기여한다. 첫째, 실제 생활에 가까운 조건에서 다양한 활동을 수행한 대규모 데이터셋(PPG-DaLiA)을 새롭게 제안한다. 둘째, 최신 기술 수준의 알고리즘을 확장하여 여러 데이터셋에서 성능을 크게 향상시켰다. 셋째, 이 분야에 딥러닝을 도입하고 다양한 합성곱 신경망(Convolutional Neural Network, CNN) 아키텍처를 탐색하였다. 본 연구의 엔드 투 엔드 학습 접근법은 동기화된 PPG 신호와 가속도계 신호의 시간-주파수 스펙트럼을 입력으로 받아, 추정된 심박수를 출력한다. 마지막으로, 새로운 딥러닝 접근법을 전통적인 방법들과 비교하여 네 개의 공개 데이터셋에서 평가를 수행하였다. 그 결과, 대규모 데이터셋에서 딥러닝 모델이 기존 방법들을 크게 능가함을 입증하였다. 특히 새로운 데이터셋 PPG-DaLiA에서는 평균 절대 오차(Mean Absolute Error)가 31% 감소하였고, WESAD 데이터셋에서는 21% 감소하는 성과를 보였다.