1. 서 론

한국에서는 의료기술의 발달로 인한 사회의 고령화, 생활양식 및 식생활의 서구화로 의해 고혈압 유병률이 증가하고 있다. 고혈압은 신장 질환 및 심각한 심혈관계 질환의 주요지표이며 가장 위험한 사망 인자 중 하나이기에 치료와 관리가 필수적이다⁽¹⁾. 그러나, 우리나라에서는 전국적으로 1100만명이 넘는 고혈압 환자가 있고 관리가 필요한 상황임에도⁽²⁾ 고혈압 환자 중 혈압을 주기적으로 측정하고 관리하고 있는 자의 비율은 27.5%에 그쳤다⁽³⁾. 그중에서도 경제활동이 가장 활발한 30~40대에서 고혈압 인지율과 혈압관리가 매우 저조한 것으로 나타났다⁽²⁾. 많은 고혈압 유병자들이 혈압을 주기적으로 측정하지 않아 고혈압 유병자임에도 인지하지 못하며, 인지하였더라도 치료에 중요한 혈압관리에 소홀한 것이다. 고혈압의 예방, 인지, 그리고 치료를 위해 가장 중요한 것은 일상생활 중에서 혈압을 지속적으로 측정하는 것인데 이것이 이루어지지 않는 실정이다.

혈압을 지속적으로 측정하는 것에 소홀한 현상이 일어나는 주된 원인은 비침습적 혈압측정의 Golden Standard인 커프 방식의 자동전자혈압계의 단점 때문이다⁽⁴⁾. 커프 방식의 자동전자혈압계는 측정 과정에서 압력으로 인한 불편감을 유발하며 휴대용으로 나온 제품을 구매하더라도 커프를 포함해야 하기 때문에 실제로 휴대하기에는 용이하지 않다는 단점이 있다. 편리성과 휴대성 두 가지 측면에서의 단점으로 인해 혈압의 실시간 모니터링에는 적합하지 않다⁽⁴⁾. 이에 따라 커프 없이 무구속으로 혈압을 측정할 수 있는 연구가 활발히 진행되고 있다^(5-6).

특히 최근에는 PPG(Photoplethysmography) 광학센서를 활용한 연구가 증가하고 있는데, 이는 PPG 신호에서 percussion wave, tidal wave 등의 특징값을 이용하여 혈관 탄성 정보를 알아낼 수 있기 때문이다. 혈관 탄성 정보는 혈압과의 상관관계가 매우 크기 때문에, 이를 이용하여 혈압을 추정할 수 있다⁽⁷⁾.

PPG 신호를 통해 혈압을 측정하려는 시도가 많은 또 다른 이유는 개인용 cuff-less 혈압측정 장치로써의 PPG 광학 센서가 갖는 의미는 매우 크기 때문이다. 최근의 스마트밴드, 워치 등 대부분의 웨어러블 디바이스에 PPG 광학센서가 보편적으로 탑재되는 추세이다⁽⁸⁾. 이는 대부분의 웨어러블 디바이스가 프로그램을 설치하기만 하면 새로운 센서를 추가할 필요 없이 혈압측정 기능을 가질 수 있다는 것을 의미한다. 웨어러블 디바이스의 PPG 광학센서를 통해 혈압을 측정할 수 있다면 휴대성과 편리성 측면에서 기존의 혈압측정방식을 크게 개선할 수 있다. 편리성 측면에서 스마트밴드와 스마트워치 등의 웨어러블 디바이스는 손목에 착용하여 착용자가 큰 불편함을 느끼지 않는다는 장점이 있다. 휴대성 측면에서는 스마트밴드의 경우, 저가격 및 운동에 특화된 사용성으로 인하여 보급과 운동 중 혈압관리에 적합하다. 스마트워치의 경우, 디자인적으로 실제 시계와 비슷하게 제작되는 트렌드로 인해 사용자의 착용 거부감을 크게 낮추어 잦은 빈도로 일상생활의 혈압을 측정할 수 있다는 장점이 있다⁽⁸⁾. 종합하면 PPG 신호를 이용하면 높은 정확도로 혈압을 예측할 수 있으면서 웨어러블 디바이스에 적용하여 기존 장치의 편리성, 휴대성 문제를 해결할 수 있다.

최근 인공지능 기술을 이용하여 PPG 신호에서 혈압을 예측하려는 시도가 활발하게 진행되고 있는데, 이는 PPG 데이터와 혈압 간의 완전히 규명되지 않은 상관성이 존재하기 때문이다. 규명되지 않은 상관성을 인공지능을 통하여 규명하려는 시도가 좋은 성과로 이어지고 있으며, 인공지능 모델 개선을 통하여 혈압 예측 시스템의 가장 필수적인 성능인 정확성을 향상시키려는 연구가 있었다^(7,10).

본 연구에서는 기존의 딥러닝 방식을 개선한 하이브리드 딥러닝 모델을 제시한다. 하이브리드 딥러닝은 두 개 이상의 딥러닝 모델을 결합한 모델로, 오토인코더와 본 연구에서 개발한 RAN(Regressive Adversarial Network)를 결합하였다. 그 후, 개발한 모델이 혈압 예측에 적합한 모델인지 확인하기 위하여 두가지 혈압 예측 실험을 진행하였다. 첫 번째로는, PPG 신호를 통한 혈압예측에 자주 사용되는 딥러닝 모델인 MLP(MultiLayer Perceptron), CNN(Convolutional Neural Network), RNN (Recursive Neural Network) 회귀 모델들과^(9,12) 본 연구진이 개발한 RAN 회귀모델을 사용한 경우를 비교하여 어떤 모델이 가장 좋은 혈압 예측 성능을 보이는지 확인하였다. 두 번째로, 딥러닝 회귀 모델을 단독으로 사용하는 방식과 오토인코더와 딥러닝 회귀 모델을 결합한 하이브리드 딥러닝 방식의 성능을 비교하는 실험을 진행하였다. 동시에, 본 연구에서 개발한 하이브리드 딥러닝 모델의 혈압 예측 정확성이 식품의약품안전평가원의 전자식 혈압계 정확성 평가 기준을 만족하는지 확인하였다.

2. 하이브리드 딥러닝 모델

본 연구에서 사용된 하이브리드 딥러닝 시스템은 그림 1과 같이 세 부분으로 구성된다. 첫 번째, 데이터 전처리는 데이터를 개발한 알고리즘을 적용하기 적절한 형태로 가공하는 과정이다. 데이터 전처리 과정을 통하여 인공지능 학습에 방해가 되는 요소들을 제거한다. 또한, 연속적, 반복적인 시계열 데이터를 동일한 수의 입력값으로 잘라내어 인공지능 학습이 가능하게 한다. 두 번째로, 특징 추출 과정은 데이터의 주요 특징을 추출하는 과정으로, PPG 신호에서 혈압 예측에 용이한 특징값들을 추출하고 입력값의 차원 수를 감소시켜 학습에 필요한 컴퓨팅 자원량을 줄이는 과정이다. 마지막으로, 혈압 예측 과정은 전처리와 특징 추출 과정을 거친 입력값으로부터 인공지능 모델을 통해 실제로 혈압을 예측하는 과정이다. 혈안 예측 인공지능 모델에 대해서는 2.3에서 본 연구에서 개발된 RAN 인공지능 모델의 구조와 학습하는 과정을 설명한다. 모든 소프트웨어는 Python (3.8.8) 언어를 통해 개발하였으며, 전처리는 Numpy (1.19.2)와 Pandas (1.2.3) 라이브러리를 사용했다. 또한, 모든 인공지능 모델은 Tensorflow-GPU (2.3.0) 라이브러리를 사용해 개발했다.

Fig. 1. The process of the hybrid deep learning model of this study

2.1 데이터 전처리

PPG 데이터를 통해 실제 혈압값을 예측하기 전에 전처리를 거쳐야 한다. 우선, PPG 센서를 통해 들어오는 데이터에는 결측값이 포함되어 있을 가능성이 있기 때문에 이를 제거한다. 이 과정에서 센서 착용에 문제가 있는 경우, PPG신호 라고 할 수 없는 비정상적인 데이터가 수집되지만 결측값 제거 알고리즘으로 제거되지 않는다. 이러한 신호는 피크 검출 알고리즘을 통하여 제거할 수 있다. PPG 신호에서 검출되어야 하는 피크값이 검출되지 않거나 피크값이 다른 PPG 신호의 피크값에 비해 너무 높거나 낮은 extreme outlier를 가진 신호를 제거하는 방식을 사용하였다. 결측값과 extreme outlier를 가진 신호들을 제외하고, 나머지 신호들에 대해 마스크 크기가 5인 이동 평균 필터를 적용하여 노이즈를 제거하였다. 그 후, 100 Hz로 샘플링된 신호를 2초 간격(200샘플) 단위로 잘라 한 윈도우로 묶어서 저장하였다. 한 윈도우는 각 윈도우 사이에 생길 수 있는 불연속점을 보정하기 위하여 오버랩을 적용하여 저장했으며 오버랩 비율은 실험 결과가 가장 좋았던 50% 오버랩으로 설정했다.

Fig. 2. The structure of the autoencoder deep learning model for feature extraction

2.2 특징추출

Fig. 3. The structure of deep learning models developed for comparison in this study

PPG 신호와 혈압의 상관관계는 아직 완전히 규명되지 않아 정확한 혈압 예측의 Golden Standard 특징 추출 방법은 존재하지 않는다⁽¹³⁾. 이에 사전지식이 없이도 신호에서 의미 있는 특징값을 추출할 수 있는 오토인코더 네트워크를 통하여 특징추출을 진행하였다. 그림 2에서 볼 수 있듯이, 오토인코더 네트워크는 입력을 더 작은 차원의 특징값들로 분해하는 인코더 네트워크와 특징값으로부터 다시 원래의 입력을 재구성하는 디코더 네트워크로 구성된 인공지능 모델이다. 두가지 네트워크가 협동하여 학습하면서 입력을 더 작은 차원으로 표현되면서도 입력값을 복원할 수 있을 정도로 의미가 큰 특징값으로 분해할 수 있게 된다. 이렇게 추출해낸 특징값을 deepfeature라고 부른다.

PPG 신호에서 오토인코더를 통하여 자동으로 추출된 deepfeature는 어떠한 사전지식도 없는 인공지능에 의해 자동으로 추출되었기 때문에 어떠한 기준으로 특징이 추출되었는지 알 수 없으며 추출과정에 개입할 수 없다. 이는 PPG 신호에서 알 수 있는 정보 중 이미 혈압 예측에 매우 의미 있는 것으로 알려진 혈관 탄성 정보를 특징값에 반영시킬 수 없음을 의미한다⁽⁷⁾. 이에 deep-feature에 혈관탄성 정보를 사용하기 위해 본 연구진은 오토인코더의 입력값으로 PPG 신호의 1차 도함수 신호와 2차 도함수 신호를 원신호와 묶어서 총 600개의 샘플을 사용하였다. 이를 통해 오토인코더는 PPG 신호의 변화의 가속도와 가가속도에 대해서도 학습하게 되어 deep-feature에 혈관탄성 정보를 반영할 수 있게 된다⁽¹³⁾. 최종적으로 오토인코더는 600개의 입력을 32개의 주요 특징값으로 압축시킬 수 있게 학습하며 이는 혈압을 예측하는 회귀모델이 의미있는 값들에 대해서만 학습하여 컴퓨팅 자원을 덜 소모하고 예측정확도를 높이는데 도움을 준다. 자동으로 특징을 추출하는 딥러닝 모델과 회귀를 딥러닝 회귀 모델을 함께 사용하여 모델의 성능을 향상시킬 수 있으며 이러한 방식을 사용하기에 본 연구의 딥러닝 모델을 하이브리드 딥러닝 모델이라고 한다.

2.3 혈압 예측

입력을 통해 혈압을 실질적으로 예측하기 위하여 회귀 인공지능 모델을 사용하였다. 그림 3의 회귀 모델들은 PPG를 통한 혈압 예측 문제를 해결하기 위해 빈번히 사용되는 회귀 모델들이다. 3. 실험 및 결과에서 자주 사용되는 회귀 모델들과 본 연구팀이 개발한 RAN 회귀 모델의 혈압 예측 성능을 비교하는 실험을 할 것이다. 따라서, 본 섹션에서는 자주 사용되는 세 가지 회귀모델과 본 연구진이 개발한 RAN 회귀 모델에 대하여 설명한다.

2.3.1 딥러닝 회귀 모델

MLP는 지도 학습에서 회귀 및 분류 작업 모두에 사용되는 기본 비선형 기계 학습 모델 중 하나이며, 입력층에서 출력층으로의 연산 방향이 정해져 있는 신경망으로 입력층과 출력층 사이에 두 개 이상의 은닉층으로 구성되어 있다. 여러 개의 은닉층으로 구성된 특징으로 인해 복잡한 패턴 분류가 가능하기 때문에, 수축기와 이완기의 혈압을 예측하는 연구가 진행되고 있다⁽¹¹⁾. 다만, 은닉층이 많을수록 더욱 복잡한 패턴의 분류가 가능해지지만, 학습과정에서 기울기 소실문제가 발생할 가능성도 더욱 커지기에 충분한 정확도를 얻을 수 있는 범위에서 적절하게 은닉층의 수를 결정해야한다⁽¹⁴⁾. 본 연구에서 비교를 위해 사용한 MLP는 2층, 4층, 6층, 8층 네 종류 MLP 중 실험을 통해 가장 좋은 성능을 보인 4층의 은닉층을 사용하는 모델이다.

CNN은 주로 이미지 처리에 사용되며, 이미지 데이터에서 특징맵을 추출하여 특징맵의 패턴을 파악하는 구조로 이루어진 신경망 모델의 한 형태이다. PPG 신호와 같은 시계열 데이터는 CNN모델에 맞추어 데이터를 이미지로 변환하여 학습하는 방식과, 데이터에 맞추어 CNN모델을 1차원 모델로 변환하여 학습하는 방식이 있다⁽¹⁷⁾. 일반적으로 CNN의 구조는 입력 계층과 출력 계층 사이에 여러 개의 합성곱층(Convolutional layer)과 풀링층(Pooling layer)으로 구성되어 있다. 본 연구에서는 1차원 CNN 모델을 사용하였다. 2층의 1차원 컨볼루션 레이어와 1차원 풀링 레이어가 번갈아 있는 구조와 플래튼 레이어를 거쳐 3층의 은닉층으로 이루어져 있다.

RNN은 반복적으로 모델이 수행되며 이전 단계 데이터에서 중요한 정보를 지속적으로 기억하여 다음 단계로 전달하는 특성을 갖고 있다. 본 연구에서는 LSTM 모델을 사용하였는데, 기존의 RNN은 모델이 수행될수록 정보를 기억하는 능력이 저하되어 정보를 손실하는 경우가 존재했기 때문이다. 이를 보완한 LSTM은 Cell State를 통해 중요한 정보를 저장하거나 필요 없는 정보를 삭제하는 여부를 결정하여 모델을 수행한 후 다음 단계로 전달하여 이러한 문제를 줄인다⁽¹²⁾. 본 연구에서 비교를 위해 사용한 RNN 모델은 LSTM 레이어와 세 층의 은닉층이 있는 구조이다.

2.3.2 RAN 회귀 모델

본 연구에서 최선의 혈압 예측 회귀 모델로 제시하는 모델은 RAN으로, LSGAN(Least Squares Generative Adversarial Network)을 변형한 모델이다. RAN의 핵심 아이디어는 본래 이미지 생성 등을 위해 사용하는 LSGAN의 생성자 네트워크를 MLP 회귀 모델로 대체하는 것이다. 이 모델에서 생성자 네트워크는 노이즈 대신 PPG 신호를 입력으로 받아 MSE(Mean Square Error)를 손실함수로 하여 수축기, 이완기 혈압을 예측한다. 이와 함께 본래 생성자 네트워크에서 생성된 출력의 진위여부를 판별하는 감별자 네트워크에게 PPG신호와 혈압값을 묶어서 입력으로 주고 그것의 진위여부를 판별하게 한다. 감별자 네트워크가 PPG신호와 혈압값을 입력으로 받아 생성자 네트워크가 생성해낸 가짜 혈압값을 판별하고 생성자 네트워크는 감별자 네트워크를 속이기 위해 추가로 학습하면서 높은 회귀 정확도를 얻을 수 있다.

RAN모델의 구조와 학습방법은 그림 4와 같다. 매학습마다 5층의 dense layer로 이루어진 MLP는 입력값을 통해 회귀 학습을 진행한다. 2층의 dense layer로 이루어진 감별자 네트워크는 입력값 + MLP모델이 생성한 혈압(Fake input), 입력값 + 실제 혈압(Real input)을 입력으로 받아 Fake input을 거짓(0), Real input을 참(1)으로 판별하기 위해 학습한다. MLP는 다시 감별자 네트워크에 거짓으로 감별되지 않는 예측 혈압값을 만들기 위한 학습을 진행하므로 한 학습당 총 두 번의 학습을 진행하는 것이다. 학습을 모두 진행한 이후 실제 예측에서는 생성자 네트워크 즉, MLP만을 사용하여 예측을 진행하였다.

Fig. 4. The structure of the Regressive Adversarial Network developed by this research team

3. 실험 및 결과

4. 고 찰

실험 결과, 특징 추출이 되지 않은 일반 딥러닝 그룹에서 RAN이 예측 혈압값과 실제 혈압의 오차 평균 및 표준편차가 6.47 ± 6.31mmHg로 가장 좋은 혈압 예측 성능을 보였다. r2 score 역시 0.744로 예측값과 실제값 사이에 강한 상관성이 있었다. 그 뒤로는 CNN(7.46 ± 8.97mmHg, 0.670)과 MLP(7.49 ± 9.42mmHg, 0.642)가 따랐다. RNN은 가장 좋지 않았다. RNN이 이렇게 좋지 않은 성능을 보이는 것은 PPG 데이터의 시계열적인 특성을 이용한 회귀학습이 아니기 때문에 시계열 예측에 적합한 RNN은 좋은 성능을 보이지 못한 것으로 보인다.

오토인코더 모델을 통해 특징추출을 진행한 하이브리드 딥러닝 그룹에서도 AE + MLP(5.15 ± 6.31mmHg, 0.786), AE + CNN(5.54 ± 6.60 ± 8.97mmHg, 0.759) 모델보다 AE + RAN 모델이 좋은 성능을 보였다. AE + RAN 모델의 예측 혈압값과 실제 혈압의 절대오차 평균 및 표준편차는 4.67 ± 6.73 mmHg로 가장 좋은 혈압 예측 성능을 보였으며, r2 score는 0.812로 예측값과 실제값 사이에 강한 상관성이 유지됐다. RAN이 가장 좋은 성능을 보이는 것은 회귀 학습의 오차에 대하여 학습하는 감별자 모델을 따로 두고 감별자를 속이기 위해 추가로 학습할 수 있기 때문이다. 즉, 단순히 MSE를 줄이는 것을 목표로 학습하는 것이 아니라 감별자를 속이며 실제로 오차가 무엇인지 파악하는 과정을 통해 오차를 잘 극복하는 것으로 생각된다.

5. 결 론

본 연구에서는 PPG 센서 데이터만을 사용해 혈압을 예측하는 방법으로 하이브리드 딥러닝 모델을 제시하였다. 연구에서 제시된 하이브리드 딥러닝 모델은 전처리를 거친 PPG 신호에 대해 특징추출을 진행하는 오토인코더 네트워크와 회귀학습을 통하여 혈압을 예측하는 RAN을 결합한 모델이다. 제안하는 모델의 객관적인 혈압 예측 성능을 위하여 혈압 예측 정확성 실험을 진행하였고, PPG 신호를 통한 혈압 예측에 자주 사용되는 다른 딥러닝 모델들에 대해서도 혈압 예측 정확성 실험을 진행해 상대적인 성능 또한 비교하였다. 상대적인 성능의 비교에서는 딥러닝 그룹과 하이브리드 딥러닝 그룹을 나누어 두 그룹의 성능 또한 비교했다. 이 실험에서 본 연구의 모델은 비교 모델들에 비해 우수한 성능을 보였으며 특히나 혈압 예측 정확성이 식품 의약품 안전평가원에서 제시하는 기준 이상의 성능을 냈기에 더 의미가 있다. 실험에 결과를 바탕으로, 본 연구에서 제안하는 하이브리드 딥러닝 모델이 기존의 비침습적 혈압 측정 방식의 Golden-Standard인 커프 방식의 혈압측정기를 대체할 수 있을 것으로 기대된다. 특히나 PPG 신호만을 사용했기에 웨어러블 디바이스에 적용되어 편리성 및 휴대성 측면에서 기존의 측정방식을 크게 개선하는데에 사용될 수 있을 것이다.

그러나, 본 이러한 본 연구의 우수성에도 불구하고 몇 가지 제한점이 존재한다. 첫 번째로, 실제 웨어러블 장치를 개발하여 실시간으로 혈압측정 실험을 진행한 것이 아니기에 실제 적용이 가능한지 연구가 필요하다. 두 번째로, 실험에 사용한 공개 데이터셋의 피험자의 수가 적어 성능 실험을 완전히 신뢰할 수 없다. 이러한 두 가지 한계점을 극복하기 위해 추후 연구에서는 본 연구팀이 PPG 광학 센서를 내장한 웨어러블 디바이스를 개발하여 실시간 혈압측정 시스템 전체를 구성할 것이다. 또한, 성능 확인 실험에서는 피험자 수를 더욱 늘리고 마취 환자가 아닌 일반인을 대상으로 실험을 진행하여 실험의 신뢰도를 높이고 일반적인 적용이 가능함을 보이는 것이 필요할 것이다. 추가적으로, 특징 추출과정을 오토인코더에만 의존하는 것이 아닌 기존의 특징 추출 방식과 함께 사용하여 더 우수한 성능을 얻어낼 수 있는지 확인하는 것을 목표로 한다.