체로부터 측정되는 생체 신호를 사용하여 다양한 건강 정보를 측정할 수 있다. 심장의 운동 상태를 나타내는 척도인 분당 맥박수는 PPG(photoplethysmography), ECG(electrocardiogram) 신호들을 통해 검출할 수 있다. ECG에 비해 PPG 신호는 측정 방법이 용이하여 웨어러블 장비로도 측정 할 수 있다는 장점이 있다. 그러나 웨어러블 장비를 사용하여 PPG 신호를 측정할 때 사람의 움직임에 의한 동적잡음도 함께 측정된다는 단점이 있다. 이때 손목의 가속도 신호를 이용하여 PPG 신호로부터 동적잡음을 제거하는 것이 기존의 방법이다. 그러나 가속도 신호를 이용하여도 완전히 동적잡음이 잘 제거 되지 않는 경우가 많은데 이때에는 이전의 맥박수와 비교 하였을 때 가장 변화가 크지 않은 맥박수를 추정하는 식으로 검출한다.
동적잡음이 있는 경우에 맥박수를 검출하는 방법으로 TROIKA(signal decomposition, sparse spectrum reconstruction, and spectral peak tracking), JOSS(joint sparse spectrum reconstruction) 알고리듬이 있다. 이 방법들은 SSR(sparse spectrum reconstruction)을 사용하여 PPG 신호와 가속도 신호의 스펙트럼을 구하고 ACC의 스펙트럼에서 찾은 동적잡음 주파수 정보를 PPG 스펙트럼에서 제거하는 방법으로 동적잡음을 제거하였다. 그러나 기존의 방법은 맥박수가 완만히 변하는 상황에서는 좋은 성능을 보였으나 맥박수가 급격하게 변하는 상황에서는 좋지 않은 성능을 보였다. 그 이유는 알고리듬적으로 맥박수가 급격하게 변하는 상황을 제한하여 급격하게 변할 경우 잘못된 측정 값으로 여기고 직전에 검출된 맥박수를 그대로 현재의 맥박수로 추정하기 때문이다. 실험에 사용한 데이터는 정해진 규칙대로 움직인 사람들의 PPG, ECG, ACC 신호로 제한적인 상황에서의 데이터이다. 만일 실생활 중에 측정된 데이터를 사용할 경우 더욱더 다양한 환경 변수가 있기 때문에 기존의 알고리듬인 TROIKA와 JOSS를 사용할 경우 맥박수 측정 성능이 더욱더 안 좋아질 것이다. 이러한 문제를 해결하기 위해 본 논문은 인공신경망을 사용하여 PPG, ACC 신호를 학습하여 다양한 상황에도 강건한 맥박수 검출 알고리듬을 제안하였다. 이때 사용하는 인공신경망은 RNN(recurrent neural network)를 사용하였다.
본 논문에서 제안한 내용은 다음과 같다. 우선 PPG 신호와 ACC 신호로부터 SSR을 사용하여 특징 주파수들 뽑아낸다. 그 이유는 RNN을 통해 맥박수를 학습하고 추정할 때 소모되는 시간을 줄이기 위함이다. RNN을 학습하는 시간, RNN을 통해 맥박수가 추정되는 시간은 RNN 구조의 복잡도와 관련이 있다. RNN의 복잡도를 줄이기 위해서 SSR을 통해 특징 주파수와 그 크기값들만 뽑아서 RNN의 입력 값으로 넣어준다. RNN을 훈련할 때 데이터양에 따라 성능이 많이 좌우된다. 현제 실측한 실험 데이터양이 적은 것을 극복하기 위해 데이터 증가 기법들을 제안하였다.
실험은 본 논문에서 제안한 SSR-RNN 알고리듬과 기존의 알고리듬들인 TROIKA와 JOSS에 대해 같은 데이터의 맥박수 검출결과를 비교하였다. 실험결과 완만하게 맥박수가 변하는 데이터에 대해서 기존의 알고리듬을 사용할 때 맥박수 검출 오차가 1.28bpm(beat per minute)이였으나 제안하는 알고리듬은 오차가 0.97bpm으로 맥박수 검출 오차가 줄어드는 성능 향상이 있었다. 또한 급격하게 맥박수가 변하는 데이터를 사용한 결과 기존 알고리듬은 3.05bpm의 검출 오차를 나타내었고 SSR-RNN은 1.33bpm으로 오차가 줄어드는 성능 향상을 나타내었다.
본 논문에서 제안한 알고리듬을 사용하여 맥박수를 측정할 시 기존의 알고리듬과 비교하였을 때와 비교하여 맥박수가 급격하게 변하는 데이터, 완만하게 변하는 데이터 모두 성능이 향상된 것을 알 수 있었다. 제안하는 알고리듬의 강점은 충분한 데이터만 확보 된다면 동적잡음이 섞인 PPG 신호를 사용하여 맥박수를 측정할 때 다양한 실측환경에 대하여 안정적으로 맥박수를 추정할 수 있다는 것이다. 이를 위해 실제 웨어러블 장비를 사용하여 일상생활 중에 측정된 데이터를 이용하여 본 알고리듬의 성능을 평가하는 연구가 추가적으로 필요하다.