올바른 운동량 조절을 위해선 운동중의 심박수 측정이 중요하다. 최근 스마트 디바이스가 활발하게 사용됨에 따라, 운동중의 실시간 심박수 측정에 대한 관심이 급격하게 증가하고 있다. 고강도 운동 중에는 동잡음으로 인하여 손목 밴드 유형의 광혈류 (PPG : photoplethysmography) 측정기 신호로부터 정확한 심박수를 추정하는 것이 매우 어렵다. 본 논문에서는 손목밴드 유형의 광혈류 측정기 신호로부터 정확한 심박수 추정을 위한 효율적인 알고리즘을 제안하였다. 12개의 데이터 세트에 대하여 제안하는 알고리즘을 적용한 결과, 1.38의 분당심박수(BPM) 평균 절대 오차를 기록하였고, 0.9922의 추정 심박수와 실제 심박수간의 Pearson 상관계수를 얻었다. 제안하는 알고리즘은 웨어러블 디바이스에 적합한 빠른 연산속도와 정확한 추정을 가능케 한다.
올바른 운동량 조절을 위해선 운동중의 심박수 측정이 중요하다. 최근 스마트 디바이스가 활발하게 사용됨에 따라, 운동중의 실시간 심박수 측정에 대한 관심이 급격하게 증가하고 있다. 고강도 운동 중에는 동잡음으로 인하여 손목 밴드 유형의 광혈류 (PPG : photoplethysmography) 측정기 신호로부터 정확한 심박수를 추정하는 것이 매우 어렵다. 본 논문에서는 손목밴드 유형의 광혈류 측정기 신호로부터 정확한 심박수 추정을 위한 효율적인 알고리즘을 제안하였다. 12개의 데이터 세트에 대하여 제안하는 알고리즘을 적용한 결과, 1.38의 분당심박수(BPM) 평균 절대 오차를 기록하였고, 0.9922의 추정 심박수와 실제 심박수간의 Pearson 상관계수를 얻었다. 제안하는 알고리즘은 웨어러블 디바이스에 적합한 빠른 연산속도와 정확한 추정을 가능케 한다.
Measuring the heart rate during exercise is important to properly control the amount of exercise. With the recent advent of smart device usage, there is a dramatic increase in interest in devices for the real-time measurement of the heart rate during exercise. During intensive exercise, accurate hea...
Measuring the heart rate during exercise is important to properly control the amount of exercise. With the recent advent of smart device usage, there is a dramatic increase in interest in devices for the real-time measurement of the heart rate during exercise. During intensive exercise, accurate heart rate estimation from wrist-type photoplethysmography (PPG) signals is a very difficult problem due to motion artifact (MA). In this study, we propose an efficient algorithm for an accurate estimation of the heart rate from wrist-type PPG signals. For the twelve data sets, the proposed algorithm achieves the average absolute error of 1.38 beat per minute (BPM) and the Pearson correlation between the estimates and the ground-truth of heart rate was 0.9922. The proposed algorithm presents the strengths in an accurate estimation together with a fast computation speed, which is attractive in application to wearable devices.
Measuring the heart rate during exercise is important to properly control the amount of exercise. With the recent advent of smart device usage, there is a dramatic increase in interest in devices for the real-time measurement of the heart rate during exercise. During intensive exercise, accurate heart rate estimation from wrist-type photoplethysmography (PPG) signals is a very difficult problem due to motion artifact (MA). In this study, we propose an efficient algorithm for an accurate estimation of the heart rate from wrist-type PPG signals. For the twelve data sets, the proposed algorithm achieves the average absolute error of 1.38 beat per minute (BPM) and the Pearson correlation between the estimates and the ground-truth of heart rate was 0.9922. The proposed algorithm presents the strengths in an accurate estimation together with a fast computation speed, which is attractive in application to wearable devices.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
심박수는 운동과 외부 자극, 그리고 생물학적 변화에 따라 변한다. PPG 신호에 대하여 동잡음은 이러한 변화가 존재할 때 심박수와 유사하거나 상이한 형태로 부가된다.
그러므로, 가속도 데이터와 PPG 신호 사이에 높은 상관관계가 있을 것이라고 가정하였다. 첫 번째로, 식 (1)에서 가속도 데이터는 선형 추정을 통해 계수{ak, bk, ck}를 제공하며 동잡음으로 언급된 간섭 신호를 구성하는데 사용되었다.
동잡음 신호의 효율적인 모델링을 위해, 본 논문에서는 측정된 PPG 신호가 심박수 정보, 동잡음, 가산 백색 잡음의 세 가지 요소로 구성되어 있다고 가정한다. 따라서 측정된 PPG 신호 p(n)은 다음과 같이 표현할 수 있다.
제안 방법
일반적으로, 일정 수준 이상의 동잡음이 존재할 때, 정확한 심박수 추정은 매우 어렵다. 그러한 문제를 해결하기 위해서 본 연구에서는 가속도 정보를 이용하여 선형 추정기법을 사용해 동잡음을 모델링하고 고유값 방법을 이용한 스펙트럼 추정 기법을 사용하는 알고리즘을 제안하고, 그 성능을 분석하였다. 또한 심박수 추정 정확성을 향상시키기 위해 몇 종류의 추가적인 규칙을 이용하여 효율적인 심박수 추정을 수행하였다.
그러한 문제를 해결하기 위해서 본 연구에서는 가속도 정보를 이용하여 선형 추정기법을 사용해 동잡음을 모델링하고 고유값 방법을 이용한 스펙트럼 추정 기법을 사용하는 알고리즘을 제안하고, 그 성능을 분석하였다. 또한 심박수 추정 정확성을 향상시키기 위해 몇 종류의 추가적인 규칙을 이용하여 효율적인 심박수 추정을 수행하였다.
본 연구에서는 정확한 심박수의 추정을 위하여 PPG 신호와 가속도 데이터간의 상관관계에 초점을 맞추었다. 심박수는 운동과 외부 자극, 그리고 생물학적 변화에 따라 변한다.
이러한 문제를 해결하기 위해 우리는 이전 연구들와 비교하여 더 큰 동잡음이 존재하여도 상대적으로 정확하게 심박수를 추정하며 동시에 단순한 구조를 채택하여 매우 안정적이고 빠르게 동작할 수 있는 알고리즘을 제안하였다.
대상 데이터
심박수를 추정하기 위해 IEEE 신호처리 커뮤니티의 Zhilin Zhang 에게 제공받은 12개의 데이터를 사용하였다. 각각의 데이터는 서로 다른 사람으로부터 측정된 신호들로 오차 없는 (ground-truth) ECG 신호와 2개의 PPG 신호 및 3축의 가속도 신호 데이터로 구성되어 있다.
데이터처리
, 실제 심박수와 추정 심박수 간의 피어슨 상관(Pearson correlation) 계수를 구하고 이를 그림 7에 도시하였다. 여기서 피어슨 상관계수가 1에 거의 근접한 0.
추정된 심박수의 정확성을 평가하기 위해 평균 절대 오차(average absolute error) μ를 사용하였다. 평균 절대 오차는 다음과 같이 정의된다.
이론/모형
를 이용하여 스펙트럼 추정 기법을 사용하면 심박수에 해당하는 주파수 성분을 구할 수 있다. 스펙트럼의 추정을 위해서는 고유벡터 기법 (eigenvector method)을 사용한다[6∼7]. 고유벡터 기법은 MUSIC(multiple signal classification) 기법과 매우 유사하나 거짓 피크(spurious peak)가 더 적게 발생하고 신호가 라인 스펙트라(line spectra)인 경우 더 정확한 주파수 추정이 가능한 장점이 있다.
(n) 사이의 최대 상관(correlation)이 발생하는 지연 시간을 의미한다. 잡음과 신호의 변동(fluctuation)을 줄이기 위해 이동 평균 필터를 적용하였으며, trial and error 기법을 통해 필터 계수는 7로 결정하여 사용하였다.
s - 1} 의 계수를 사용하는 선형 필터로 모델링 하였다. 주어진 데이터의 동잡음 극복과 효율적인 심박수 추정을 위하여 제안하는 알고리즘은 선형 추정 기법[5]에 기반을 두었다. 그림 1은 제안하는 알고리즘의 흐름도를 나타낸다.
그림 2에서 periodogram, Welch, 고유벡터 기법을 각각 사용하여 심박수를 추정한 결과를 보였다. 파워 스펙트럼 전체의 형태(shape)를 모두 고려할 수 있는 periodogram 기법이나 Welch 기법과는 달리 고유벡터 기법은 의사 스펙트럼(pseudo spectrum)을 이용한다. 그러나 심박수 추정의 경우에는 추정된 신호의 크기나 형태가 중요한 것이 아니라 상대적으로 가장 큰 peak를 발생시키는 주파수 빈의 위치가 중요하기 때문에 의사 스펙트럼의 사용에 문제가 없다.
성능/효과
결과를 통해 알 수 있듯이, 일부 데이터 세트들은 다른 데이터 세트들의 평균값에 비해 높은 오차값을 가진다. 이 문제를 해결하기 위해 부가적인 규칙들을 사용 하여 평균추정 오차를 최소화 시키는 규칙을 제안하였음에도 상대적으로 높은 추정 오차를 보이는 결과 데이터들이 존재한다.
38 BPM 의 평균 절대 오차라는 뛰어난 결과를 보인다. 실험을 통해 얻은 결과는 동일한 데이터 샘플을 이용한 TRIOIKA 플랫폼[2]이 1.69 BPM의 오차를 가지는 것과 비교하였을 때 매우 우수함을 확인할 수 있다.
이 문제를 해결하기 위해 부가적인 규칙들을 사용 하여 평균추정 오차를 최소화 시키는 규칙을 제안하였음에도 상대적으로 높은 추정 오차를 보이는 결과 데이터들이 존재한다. 이러한 데이터들을 분석한 결과 추정 오류의 원인이 첫째, 심박수의 추정을 수행하는 데 있어 첫 번째 추정 윈도우에서 추정된 최초 심박수의 오차가 매우 크게 관찰되는 상황과 둘째, 동잡음이 인체의 운동 활동과 연관해 어떤 특징이나 경향 없이 불규칙하게 존재하는 상황에서 발생하는 것에 있음을 확인 하였다. 분석한 원인을 바탕으로 추후에 제안하는 알고리즘을 보완하는 연구가 진행하고자 한다.
제안 알고리즘은 직관적이고 간략한 구조로 이루어져 있음에도 불구하고 매우 안정적인 특성과 1.38 BPM 의 평균 절대 오차라는 뛰어난 결과를 보인다. 실험을 통해 얻은 결과는 동일한 데이터 샘플을 이용한 TRIOIKA 플랫폼[2]이 1.
후속연구
이러한 데이터들을 분석한 결과 추정 오류의 원인이 첫째, 심박수의 추정을 수행하는 데 있어 첫 번째 추정 윈도우에서 추정된 최초 심박수의 오차가 매우 크게 관찰되는 상황과 둘째, 동잡음이 인체의 운동 활동과 연관해 어떤 특징이나 경향 없이 불규칙하게 존재하는 상황에서 발생하는 것에 있음을 확인 하였다. 분석한 원인을 바탕으로 추후에 제안하는 알고리즘을 보완하는 연구가 진행하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
PPG 신호를 이용해서 심박 수를 올바르게 추정하기 위해서는 어떠한 문제점이 존재하는가?
그러나 손목에서 측정한 PPG 신호를 이용해서 심박 수를 올바르게 추정하기 위해서는 몇 가지 문제점이 존재한다. 신호 획득시에 동작(exercise)이 없는 경우에는 쉽게 심박수를 추정할 수 있지만, 일정 크기 이상의 동작이 있는 경우 이러한 동작들이 PPG 신호에 왜곡을 주기 때문이다. 이렇게 인체의 움직임에 의해 발생하는 잡음을 동잡음(MA : Motion Artifact) 이라 한다.
TROIKA란?
웨어러블 스마트 기기에 적용하기 위한 가장 대표적인 연구로는 Zhilin Zhang[2]의 TROIKA 플랫폼이 있다. TROIKA는 단일 스펙트럼 분석과 희소 신호 복원 (sparse signal reconstruction)을 사용하여 심박수를 측정하는 기법이다.
웨어러블 기기에서는 어떠한 방식으로 심박수를 측정하는가?
웨어러블 기기에서 심박수를 측정하기 위해서는 기존의 ECG 신호와는 다르게 손목부분에서 PPG 신호를 획득하여 실시간으로 심박수를 추정 한다. PPG 신호는 LED 빛을 피부에 입사시켜 반사되는 출력을 보고, 심장 및 혈관의 수축기와 이완기에서의 각각의 압력에 따라 발생하는 혈관의 체적 변동을 LED 빛의 흡수량을 토대로 신호를 측정한 것이다[1].
참고문헌 (8)
J. Allen, "Photoplethysmography and its application in clinical physiological measurement," Physiol. Meas., vol. 28, no. 3, pp. R1-R39, 2007.
Z. Zhang, Z. Pi, and B. Liu, "TROIKA: A General Framework for Heart Rate Monitoring Using Wrist-Type PPG Signals During Intensive Physical Exercise," IEEE Trans. Biomed. Eng., vol. 62, no. 2, pp. 522-531, 2015.
B. Kim and S. Yoo, "Motion artifact reduction in photoplethysmography using independent component analysis," IEEE Trans. Biomed. Eng., vol. 53, no. 3, pp. 566-568, Mar. 2006., May 1997.
B. Lee, J. Han, H. Baek, J. Shin, K. Park, and W. Yi, "Improved elimination of motion artifacts from a photoplethysmographic signal using a Kalman smoother with simultaneous accelerometry," Phys. Meas., vol. 31, no. 12, pp. 1585-1603, 2010.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.