본 논문은 팔 심장박동(ballistocardiogram, BCG)의 신호 품질을 분류하는 방법을 기술한다. 이 방법은 비침습적이며 연속적인 혈압 측정에 대한 잠재력을 지닌다. 웨어러블 기기에서 BCG 신호의 장점은 가속도계(accelerometer)를 사용하여 비교적 쉽게 측정할 수 있다는 점이다. 그러나 BCG 신호는 움직임 인공물로 인한 잡음에도 취약하다. 이러한 신호 왜곡은 혈압 추정의 오류를 초래하여, BCG 기반 혈압 측정의 성능을 저하시킨다. 본 연구에서는 이러한 성능 저하를 방지하기 위해, 고품질 BCG 신호와 저품질 BCG 신호를 구분하는 이진 분류 모델을 구축하였다. 가장 정확한 모델을 추정하기 위해, 각 심장박동과 관련된 시간적 BCG 신호를 448 × 448 픽셀 이미지로 변환하기 위한 4가지 시계열 영상화 방법(재귀 플롯, Gramain 각도 합계 필드, Gramain 각도 차이 필드, 마르코프 전이 필드)을 연구하였고, 해당 이미지는 ResNet, SqueezeNet, DenseNet, LeNet과 같은 CNN 모델로 분류하였다. 학습, 검증, 테스트에는 총 9626개의 BCG 박동을 사용하였다. 실험 결과, Gramain 각도 차이 필드 방법을 적용한 ResNet 및 SqueezeNet 모델이 이진 분류 정확도 최대 87.5%를 달성하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.