PPG 센서 기반 운전자 생체 신호 이상탐지 및 신호처리 연구

Abstract

광학을 기반으로 맥박 신호를 수집하는 Photoplethysmography(PPG) 센서는 사용자의 움직임에 민감하다고 알려져 있다. 일상생활에서는 미약하나마 움직임이 포착되는 상황이 대부분이기에, 이런 다양한 상황에서도 생체 신호를 측정하기 위해서는 움직임에 의한 이상 신호(motion artifact)를 감지 및 저감하는 알고리즘의 개발이 필요하다. 본 연구는 (1) Long Short-Term Memory(LSTM) autoencoder를 이용한 이상 탐지와 (2) LSTM을 이용한 신호 처리 알고리즘을 제안한다. 다양한 유형의 PPG 센서에서 적용할 수 있는 이상 탐지 알고리즘의 개발을 위해, 서로 다른 신호 패턴을 생성하는 두 가지 PPG 센서를 선택하고 각 센서의 raw data를 수집하여 이동 평균 필터로 처리하였다. 수집한 데이터 가운데 정상 신호를 먼저 선별한 후, LSTM autoencoder를 이용하여 이상 신호를 판단하기 위한 임계값을 구하였다. 또한, 신호의 패턴에 따라 정의한 맞춤형 손실 함수로 손실값을 계산하였다. 최종적으로 이 임계값과 손실값을 비교하여 이상 신호 발생 여부를 판별하였다. 본 논문에서는 제안한 알고리즘이 이상 신호를 성공적으로 감지하였으며, 감지 성공 여부가 사용자 움직임의 크기와 관계없이 정확함을 보여주었다. 또한 정상 신호 데이터만을 이용하여 비지도 학습 기반의 autoencoder를 훈련함으로써, 이상 신호 데이터를 사용하지 않고도 이상 탐지가 가능하도록 하였다. 이를 통해 알고리즘의 범용성을 확보하였다. 신호 처리 모델은 두 종류의 PPG 센서에서 각각 취득한 훈련 데이터와 시험 데이터를 활용하였다. 이 두 센서는 손과 귓불에 부착하는 다른 형태를 가지고 있으며, 각 센서 신호의 크기도 두드러진 차이를 보인다. 센서 신호 크기 차이에 의한 문제를 해결하고, 다양한 유형의 신호를 처리하기 위해 이동 평균을 활용한 전처리 기법을 적용하였다. 전처리한 긴 시계열 신호는 LSTM 신경망의 훈련 데이터로 사용하기 위해 데이터를 나누어 학습하였다. 본 논문에서는 제안한 신호처리 모델이 이상 신호에 대한 피크점 감지 성능을 약 25% 향상시켰음을 보여준다. 피크점은 맥박 파형을 이용하여 사용자의 건강 상태를 파악하기 위한 기본적인 요소 중 하나이다. 따라서, 향상된 피크점 감지 성능에 의해 측정된 심박수의 정확도 또한 향상되었음을 확인하였다.