PPG 신호의 경험적 모드 분해가 혈당 추정에 도움이 될까?

기본 정보

제목: EMD-Based Noninvasive Blood Glucose Estimation from PPG Signals Using Machine Learning
저자: Sen Gupta et al.
저널: Applied Sciences (MDPI)
출판연도: 2024
DOI: 10.3390/app14041406
PMID: -
근거 수준: 탐색적 분석

이 연구는 손목 PPG 신호에 경험적 모드 분해(EMD)를 적용하여 비침습적으로 혈당을 추정하는 접근법을 제시했다. PPG 파형에서 AC/DC 비율과 EMD 기반 고유 모드 함수(IMF) 피처를 추출하여 ML 모델에 입력했다. EMD 기반 피처가 혈당 트렌드 추종에 유효함을 확인했지만, 정확한 혈당 수치 예측과 트렌드 추적 사이에는 여전히 격차가 존재했다. PPG 신호 처리의 새로운 접근법이 HbA1c 관련 장기 혈당 트렌드 추정에 기여할 수 있는 가능성을 탐색한 연구이다.

1. 이 연구는 왜 필요했을까

PPG 신호에서 혈당 관련 정보를 추출하는 기존 방법은 주로 시간 도메인(펄스 형태, 피크 간격)이나 주파수 도메인(FFT 기반 스펙트럼)에 의존했다. 이 두 가지 접근법은 각각의 한계가 있는데, 시간 도메인은 노이즈에 취약하고 주파수 도메인은 시간 정보를 잃어버린다.

경험적 모드 분해(EMD)는 신호를 여러 개의 고유 모드 함수(IMF)로 분해하여, 각 IMF가 서로 다른 주파수 대역의 정보를 담도록 한다. 이는 FFT와 달리 비정상(non-stationary) 신호에도 적용 가능하며, PPG 같은 복잡한 생체 신호 분석에 적합하다.

2. 어떻게 연구했을까

손목 PPG 센서에서 신호를 수집하고, EMD를 적용하여 원시 PPG 신호를 여러 개의 IMF로 분해했다. 각 IMF에서 시간 및 주파수 도메인 피처를 추출하고, PPG 신호의 AC(맥동 성분) 대 DC(기저 성분) 비율도 포함했다.

추출된 피처들을 ML 모델에 입력하여 혈당을 추정했다. 다양한 IMF의 기여도를 분석하여, 어떤 주파수 대역의 정보가 혈당 변화와 가장 관련이 있는지 파악했다.

3. 무엇을 발견했을까

EMD 기반 피처가 혈당 트렌드 추종에 유효함을 확인했지만, 정확한 혈당 수치 예측과 트렌드 추적 사이에는 여전히 격차가 존재했다.

EMD는 PPG 신호에서 기존 방법으로 추출하기 어려운 정보를 포착하는 데 일부 성공했다. 특히 저주파 IMF 성분이 장기적 혈당 변동과 관련된 정보를 담고 있는 것으로 나타났으며, 이는 HbA1c와 같은 장기 지표와의 연관성을 시사한다.

그러나 절대적 혈당 수치 예측에서의 정확도는 기존 방법과 큰 차이를 보이지 않았으며, EMD의 이점은 주로 트렌드 수준에서 관찰되었다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

Apple Watch의 PPG 데이터에 EMD를 적용하여 장기 혈당 트렌드를 추적하는 내부 분석 파이프라인에 이 접근법을 포함할 수 있다. 절대적 수치 예측보다는 "지난 주 대비 혈당 트렌드가 상승/하강 중"과 같은 방향성 정보 제공에 적합할 수 있다.

콘텐츠 활용

"PPG 신호에 숨겨진 혈당 정보를 EMD로 찾다"
"심장 박동의 미세한 변화가 혈당 트렌드를 말해준다?"

적용 시 주의사항

트렌드 추적 수준의 결과이므로, 앱에서 구체적 혈당 수치를 제공하는 근거로 사용하기 어렵다. "대사 활동 트렌드의 참고 정보"로 포지셔닝해야 하며, EMD 계산의 실시간 효율성도 검토가 필요하다.

5. 한계점

정확한 혈당 수치 예측에서의 성능이 기존 방법 대비 큰 개선을 보이지 못했다. EMD의 계산 비용이 실시간 모바일 처리에 적합한지 검토가 필요하며, 참가자 규모와 다양성에 대한 정보도 제한적이다.

EMD는 신호 분해 과정에서 모드 혼합(mode mixing) 문제가 발생할 수 있으며, 이는 추출된 피처의 신뢰성에 영향을 미칠 수 있다. 실제 앱에서 사용하려면 이러한 기술적 한계에 대한 추가 연구가 필요하다.

마무리

이 연구는 PPG 신호에 EMD라는 새로운 신호 처리 기법을 적용하여 혈당 관련 정보 추출의 가능성을 탐색했다. 절대 정확도보다는 트렌드 추적에서의 유용성이 확인되었으며, HbA1c 관련 장기 혈당 트렌드 추정에 기여할 수 있는 보완적 접근법이다.