우선 Vital DB 데이터 불러와서 데이터 구조 확인

A time-frequency domain approach of heart rate estimation from photoplethysmographic (PPG) signal

PPG 신호를 이용한 심박수 추정의 시간-주파수 영역 접근법


Heart rate tracking in photoplethysmography signals affected by motion artifacts: a review ;운동 아티팩트의 영향을 받는 PPG 신호의 심박수 추적: 리뷰


A Robust Dynamic Heart-Rate Detection Algorithm Framework During Intense Physical Activities Using Photoplethysmographic Signals

PPG를 사용하는 강렬한 신체 활동 중 강력한 동적 심박수 감지 알고리즘 프레임워크


Heart Rate Estimation using PPG signal during Treadmill Exercise

러닝머신 운동 중 PPG 신호를 이용한 심박수 추정


“정적 상태와 가벼운 움직임, 많은 움직임 조건에서 어떤 PPG 신호 처리 방법이 가장 정확한 심박수 추정 결과를 제공하는가?”

Background: PPG and ECG Overview

  • ECG (Electrocardiogram): 심장의 전기적 활동을 측정하며, R파와 같은 피크를 통해 심박 간격을 계산합니다. 이는 심박수와 HRV(심박 변이도) 분석의 표준으로 간주됩니다. 예를 들어, ECG vs PPG for Heart Rate Monitoring에 따르면 ECG는 의료 환경에서 정확도가 높습니다.
  • PPG (Photoplethysmogram): 혈관 내 혈류 변화를 광학적으로 측정하며, 주로 웨어러블 기기(예: 스마트워치)에 사용됩니다. ECG or PPG? What are they and which is better?에서는 PPG가 편리하지만 움직임 노이즈에 취약하다고 설명합니다.
  1. 시간 영역과 주파수 영역 분석 비교
    • 시간 영역 분석: 신호의 시간에 따른 크기 변화를 살펴보는 방법으로, 예를 들어 PPG와 ECG에서 피크(예: PPG의 수축기 피크, ECG의 R파)를 찾아 심박 간격이나 HRV 지표(예: SDNN, RMSSD)를 계산합니다. 직관적이지만 노이즈나 움직임에 민감할 수 있습니다.
    • 주파수 영역 분석: 푸리에 변환 같은 기법으로 신호를 주파수 성분으로 변환해 분석합니다. HRV의 저주파(LF)와 고주파(HF) 대역을 통해 자율신경계 활동을 평가할 수 있는데, 전체적인 스펙트럼을 보기 때문에 노이즈에 덜 민감할 가능성이 있습니다.
    • 두 방법을 비교하면 각 방식의 장단점을 명확히 알 수 있고, 어떤 상황에서 어떤 접근이 더 나은지 판단할 수 있습니다.

Time-Domain Analysis: Detailed Explanation

시간 영역 분석은 신호의 시간적 변화를 기반으로 피크를 찾아 심박 간격을 계산하는 방법입니다.

  • Process:
  • Advantages:
    • 직관적이고, 깨끗한 신호에서는 정확도가 높습니다.
    • 실시간 분석에 적합하며, 단기적인 심박 변화(예: 운동 중 급격한 심박수 증가)를 잘 반영합니다.
  • Disadvantages:

Frequency-Domain Analysis: Detailed Explanation

주파수 영역 분석은 푸리에 변환(FFT)이나 다른 스펙트럼 분석 기법을 통해 신호를 주파수 성분으로 변환하는 방법입니다.

Aspect Time-Domain Analysis Frequency-Domain Analysis
Method 피크 탐지 및 간격 계산 푸리에 변환 및 스펙트럼 분석
Strengths 직관적, 실시간 분석에 적합, 단기 변화 잘 반영 노이즈에 덜 민감, 장기 패턴 분석에 유리
Weaknesses 움직임 노이즈에 취약, 신호 품질에 의존 단기 변화 놓칠 수 있음, 데이터 길이 필요
Best for 정적인 상태, 깨끗한 신호 움직임이 많은 상태, 노이즈가 있는 환경
Example Metrics 심박수, SDNN, RMSSD LF/HF 비율, 주파수 피크


Comparison in Different Physical States

연구 방향은 정적인 상태, 살짝 움직이는 상태(예: 걷기), 격렬하게 움직이는 상태(예: 달리기)에서 PPG와 ECG를 동시에 측정하고, 두 방법의 성능을 비교

  • Static State (정적인 상태):
    • 시간 영역 분석은 깨끗한 신호에서 정확도가 높아, PPG와 ECG 간 심박수 추정이 잘 일치할 가능성이 큽니다.
    • 주파수 영역 분석도 안정적으로 작동하지만, 스펙트럼 해석이 불필요할 수 있습니다.
  • Slightly Moving State (살짝 움직이는 상태):
  • Heavily Moving State (격렬하게 움직이는 상태):
  1. 비슷함과 강건함 평가
    • 비슷함(Similarity): PPG와 ECG로 측정한 지표(예: 심박수, HRV)가 얼마나 일치하는지 확인합니다.
    • 강건함(Robustness): 움직임이나 생리학적 변화에도 불구하고 측정값이 얼마나 안정적으로 유지되는지 평가합니다.
    • 이는 PPG가 웨어러블 환경에서 얼마나 신뢰할 수 있는지를 판단하는 데 핵심적인 질문입니다.

연구의 가치

이 연구 방향은 다음과 같은 이유로 가치가 높습니다:

  • 실용성: 웨어러블 기기는 PPG를 주로 사용하지만, 움직임으로 인한 노이즈 때문에 정확도가 떨어질 수 있습니다. 다양한 상태에서 PPG와 ECG를 비교하면 실생활에서의 신뢰성을 높이는 데 기여할 수 있습니다.
  • 방법론적 통찰: 시간 영역과 주파수 영역 분석의 강약점을 밝혀 각 방법이 적합한 상황을 규명할 수 있습니다.
  • 혁신 가능성: 연구 결과는 PPG 기반 심박수나 HRV 모니터링 알고리즘을 개선하는 데 활용될 수 있어, 특히 운동 중이나 동적인 환경에서의 모니터링 성능을 높일 수 있습니다.
  1. 데이터 수집
    • 정적인 상태, 살짝 움직이는 상태(예: 걷기), 헐떡이며 움직이는 상태(예: 달리기)에서의 데이터셋 수집
  2. 전처리
    • 기본 드리프트나 고주파 노이즈를 제거하는 필터를 적용합니다.
    • 특히 PPG의 움직임 노이즈를 줄이는 알고리즘을 사용하세요.
  3. 비교 하여 특징 추출
    • 시간 영역: 심박수, HRV 지표(예: SDNN, RMSSD), 피크 탐지 정확도를 계산합니다.
    • 주파수 영역: 전력 스펙트럼 밀도를 계산하고 LF/HF 비율 같은 지표를 추출합니다.
  4. 결론 도출
  • 어떤 방법(시간 영역 vs 주파수 영역)이 평균 절대 오차(MAE), 상관계수, Bland-Altman 플롯 등을 통해 PPG와 ECG 간 더 높은 비슷함을 보이는지 판단합니다.
  • 어떤 방법이 움직임과 생리학적 변화에 더 강건한지 결론 내리고, 웨어러블 기기에 적용할 추천안을 제시합니다.

예상 결과

  • 시간 영역: 정적인 상태에서는 정확도가 높겠지만, 움직임이 많아질수록 노이즈로 인해 성능이 저하될 가능성이 큽니다.
  • 주파수 영역: 전체 스펙트럼을 보기 때문에 노이즈에 덜 민감할 수 있어 특히 움직이는 상태에서 강건함을 보일 가능성이 있습니다.
  • 상태별 통찰: 정적인 상태와 움직이는 상태에서 각 방법의 성능 차이를 밝혀 상황별 최적 방법을 제안할 수 있습니다. 정적인 상태에서는 시간 영역으로 짧은 타임포인트로 분석하고 움직임이 일정 이상 많아지면 주파수 영역으로 전체 스펙트럼을 분석한다던가

###

그리고 여러 code가 있는 논문들을 읽었는데 뭘 해야할지 모르겠음.

고도화를 어케 해야하지?

데이터들도 여러 방향으로 만져봤고

어느정도 도메인지식이 쌓이긴 했는데

뭘 해야하지? 그냥 방향성이 안 잡힘. 뭔가 전기전자쪽으로 밖에 안보이는 느낌?

너무 하나의 도메인에 시야가 좁아진 느낌?

다른 도메인도 한번 공부를 해볼까?