본 연구에서는 저주파 생리 신호에서 잡음 억제력을 향상시키고 시간-주파수 해상도를 개선하기 위해 설계된 가중 반복 시간-주파수 복소 변조(Weighted iterative time-frequency complex demodulation, wi-TFCD) 고도 신호처리 알고리즘의 개발과 검증을 제시한다. 우리는 wi-TFCD를 단시간 푸리에 변환(short-time Fourier transform, STFT), 가변 주파수 복소 변조(variable frequency complex demodulation, VFCDM), 기본 반복 TFCD(baseline iterative TFCD, i-TFCD)와 같은 전통적 방법들과 비교 평가하였으며, 이는 가산(additive) 가우시안 백색 잡음에 오염된 합성 시눗파 chirp 신호와 운동 중에 기록된 실제 광용적맥파(photoplethysmography, PPG) 신호를 사용하여 수행하였다. 그 결과 wi-TFCD는 다른 방법들에 비해 일관되게 우수한 성능을 보였으며, 최저 레니 엔트로피(Rényi entropy)와 최고 Stanković 농도(Stanković concentration)를 달성하여 스펙트럼의 압축성 및 명료성이 향상됨을 시사하였다. 시눗파 chirp 신호에서 wi-TFCD는 VFCDM에 비해 레니 엔트로피가 1.29배 낮고 i-TFCD에 비해 1.27배 낮았으며, Stanković 농도는 VFCDM에 비해 3.62배 높고 i-TFCD에 비해 3.01배 높았다. 또한 평균제곱오차(mean square error, MSE)는 VFCDM에 비해 1.29배 낮고 i-TFCD에 비해 1.11배 낮아, 잡음 하에서의 우수한 해상도와 견고성을 입증하였다. 55명의 피험자를 대상으로 한 PPG 기반 심박수(heart rate, HR) 추정에서 wi-TFCD는 평균 절대 오차(mean absolute error, MAE) 4.99 bpm을 달성하였으며, 이는 i-TFCD의 5.19 bpm과 VFCDM의 5.42 bpm에 비해 향상된 결과이다. 이러한 연구 결과는 wi-TFCD가 보다 정밀한 신호 표현과 견고한 생리적 모니터링을 제공함을 확인하며, 동작 인공물과 잡음이 빈번한 웨어러블 헬스 애플리케이션에 유망한 도구임을 시사한다.

코로나19 감염의 확산을 최소화하는 효과적인 방법 중 하나는 증상이 발현되기 전에 가능한 한 조기에 이를 진단하는 것이다. 또한 스마트워치를 사용하여 감염을 간단히 진단할 수 있다면, 확산 예방의 효과는 크게 증가할 것이다. 본 연구에서는 스마트워치에서 얻은 심박수(HR) 데이터를 사용하여 증상 발현 이전에 코로나19를 진단하기 위한 딥러닝 모델을 개발하고자 하였다. 진단용 딥러닝 모델에서는 연속적인 심박수 데이터에서의 관계를 추적함으로써 증상 전 기간의 HR 변이 패턴을 학습하는 트랜스포머(transformer) 모델을 제안하였다. 코로나19 미접종 환자에 대한 교차검증(CV) 결과에서, 본 연구에서 제안한 딥러닝 모델은 높은 정확도 지표를 보였으며, 민감도 84.38%, 특이도 85.25%, 정확도 84.85%, 균형 정확도 84.81%, 수신자 조작 특성 곡선(AUROC) 아래 면적 0.8778을 나타냈다. 더 나아가 건강한 피험자, 코로나19 환자, 그리고 백신 접종 환자를 포함하는 다중의 외부 데이터셋으로 모델을 검증하였다. 외부 건강한 피험자 집단에서 본 모델은 또한 높은 특이도 77.80%를 달성하였다. 외부 코로나19 미접종 환자 집단에서도 본 모델은 CV에서와 유사한 정확도 지표를 제공하였는데, 균형 정확도 87.23%와 AUROC 0.8897이었다. 코로나19 백신 접종 환자에서는 균형 정확도와 AUROC가 각각 66.67%와 0.8072로 감소하였다. 본 연구의 첫 번째 발견은, 본 연구에서 제안한 딥러닝 모델이 스마트워치로부터 얻은 심박수로 증상 발현 이전에 코로나19 환자를 단순하면서도 정확하게 진단할 수 있다는 점이다. 두 번째 발견은, 미접종 환자에서 학습된 모델이 백신 접종 환자에 비해 덜 정확한 진단 성능을 제공할 수 있다는 점이다. 마지막으로, 특정 기간 동안 학습된 모델은 바이러스가 계속 변이함에 따라 진단 성능이 저하될 수 있다는 점이다.