Core Concepts
스마트폰 카메라를 이용하여 심박수, 산소 포화도, 호흡률과 같은 생체 징후를 효율적으로 추정하는 심층 학습 기반 솔루션을 제안한다.
Abstract
이 연구는 스마트폰 카메라를 이용하여 심박수, 산소 포화도, 호흡률과 같은 생체 징후를 실시간으로 추정하는 효율적인 심층 학습 기반 솔루션을 제안한다.
주요 내용은 다음과 같다:
기존 방법들은 전처리 단계가 복잡하거나 계산량이 많아 모바일 기기에 적용하기 어려웠다. 이를 해결하기 위해 완전 합성곱 신경망 구조를 제안하여 전처리 단계 없이 생체 징후를 추정할 수 있도록 하였다.
제안한 모델은 기존 모델 대비 파라미터 수가 4배 적어 과적합 위험이 낮고, 모델 크기가 1MB 미만으로 모바일 기기에 효율적으로 배포할 수 있다.
기존 공개 데이터셋의 한계를 극복하기 위해 62명의 참여자로 구성된 MTHS 데이터셋을 제공한다. 이 데이터셋에는 스마트폰 카메라로 촬영한 PPG 신호와 함께 심박수, 산소 포화도 정보가 포함되어 있다.
제안한 모델은 BIDMC, MTHS, PPG-DaLiA 데이터셋에서 기존 방법 대비 우수한 성능을 보였다. 특히 Residual FCN 모델이 가장 우수한 성능을 달성하였다.
개발한 모델을 안드로이드 앱에 통합하여 스마트폰에서 실시간으로 생체 징후를 추정할 수 있는 시스템을 구현하였다.
이 연구는 스마트폰 카메라를 활용하여 효율적이고 정확한 생체 징후 추정 기술을 제공함으로써, 언제 어디서나 손쉽게 건강 상태를 모니터링할 수 있는 기반을 마련하였다.
Stats
심박수 추정 시 Residual FCN 모델의 BIDMC 데이터셋 평균 절대 오차(MAE)는 2.20 bpm이다.
산소 포화도 추정 시 DCT 모델의 BIDMC 데이터셋 평균 절대 오차(MAE)는 3.14 bpm이다.
호흡률 추정 시 Residual FCN 모델의 BIDMC 데이터셋 평균 절대 오차(MAE)는 1.49 bpm이다.
Quotes
"스마트폰 카메라를 이용하여 효율적이고 정확한 생체 징후 추정 기술을 제공함으로써, 언제 어디서나 손쉽게 건강 상태를 모니터링할 수 있는 기반을 마련하였다."
"제안한 Residual FCN 모델은 BIDMC 데이터셋에서 심박수 추정 시 평균 절대 오차 2.20 bpm을 달성하여 가장 우수한 성능을 보였다."