다중 모달 생체 신호 감독을 이용한 강건한 PPG 파운데이션 모델

광혈류측정(Photoplethysmography, PPG)은 혈액량 변화를 비침습적으로 측정하는 방법으로, 웨어러블 기기와 임상 환경 모두에서 널리 사용됩니다. 최근의 PPG 파운데이션 모델(foundation models)은 정제된 데이터를 필요로 하여 현장 데이터(field-like data)로의 일반화가 복잡해지는 사전 학습(pretraining) 패러다임을 가진 오픈 소스 중환자실(ICU) 데이터셋을 사용하거나, 폐쇄형 소스(closed-source)의 현장 PPG 데이터를 사용합니다. 이와 대조적으로, 본 연구에서는 고품질 또는 현장 스타일의 사전 학습 데이터를 요구하지 않는 PPG 파운데이션 모델을 제안합니다. 대신, ICU 데이터셋에 포함된 심전도(electrocardiogram, ECG) 및 호흡 신호를 활용하여 사전 학습 과정에서 대조 학습 샘플(contrastive samples)을 선택합니다. 우리의 접근 방식은 모델이 노이즈가 있는 PPG 세그먼트를 유지하고 그로부터 학습할 수 있게 하여, 추론(inference) 시의 강건성(robustness)을 향상시킵니다. 기존의 최첨단(state-of-the-art) 방식보다 3배 적은 피험자로 사전 학습되었음에도 불구하고, 우리 모델은 일상 활동 및 심박수 예측을 포함한 15개의 다양한 다운스트림 태스크(downstream tasks) 중 14개에서 성능 향상을 달성했습니다. 우리의 결과는 다중 모달 감독(multimodal supervision)이 상호 보완적인 생체 정보를 통합함으로써 PPG 파운데이션 모델의 강건성을 개선하고 소비자용 데이터에 대한 일반화 능력을 강화할 수 있음을 입증합니다.