가속도계 기반 수면 심박수 추정을 위한 딥러닝: 광학 센서 없이 인구 규모의 심장 통찰력 확보를 향하여

대규모 종단 코호트(longitudinal cohorts)에는 종종 광학 심박 감지 기능이 없는 손목 가속도계 데이터가 포함되어 있어, 수면 중 이미 수집된 움직임 신호로부터 심장 정보를 복구할 필요성이 제기됩니다. 본 논문에서는 손목 가속도계를 이용한 수면 심박수(HR) 추정을 위한 트랜스포머 기반 시간 보정기인 SeqSmoother를 제시합니다. SeqSmoother는 스펙트럼 기술자(spectral descriptors)와 중간 Nightbeat에서 파생된 주파수 앵커, 그리고 고조파 주파수 잠금(harmonic frequency lock-on)을 식별하도록 설계된 물리 기반의 하모닉 특징(sub-harmonic feature)을 결합합니다. 모든 추론 시간 특징은 손목 가속도계로부터 파생되며, ECG는 오직 참조 HR 레이블 및 훈련 레이블 품질 가중치 구성에만 사용됩니다. 우리는 13개의 참가자 분리된 홀드아웃 폴드(participant-disjoint held-out folds)를 사용하여 SeqSmoother를 평가하고, 일치하는 60초 창과 15초 단계 프로토콜 하에서 공식 Nightbeat 구현체와 비교합니다. 모든 아웃-오프드 예측에 걸쳐, SeqSmoother는 참가자 매크로 MAE(Mean Absolute Error) 1.60 bpm을 달성했습니다. Nightbeat가 유지한 일치 구간에서는 Nightbeat가 SeqSmoother보다 낮은 절대 오차(0.615 대 1.091 bpm)를 기록했지만, SeqSmoother는 더 넓은 범위의 적격 녹음 기간에 걸쳐 추정치를 제공했습니다. Nightbeat는 SeqSmoother가 적격한 아웃-오프드 그리드의 72.85%에 대해 최종 추정치를 생성했습니다. 별도로, 제안된 하모닉 비율(sub-harmonic ratio)은 참조 정의 고조파 잠금 후보 식별을 위해 AUROC 0.972를 달성했습니다. 이러한 발견들은 학습된 시간 모델링과 품질 게이팅 신호 처리 간의 정확도-가용성 상충 관계를 보여주며, 가속도계 기반 수면 HR 추정에서 주파수 추적 실패를 식별하는 물리 정보 기반 접근 방식에 대한 경험적 지지를 제공합니다.