이 리뷰 논문은 딥러닝이 광용적맥파(PPG) 데이터 분석에 미치는 혁신적 영향과 다양한 응용 분야를 체계적으로 다룹니다. PPG 신호와 딥러닝의 결합은 의료 포함 다양한 분야에서 기존 기법보다 높은 정확도와 자동화된 분석을 가능하게 하지만, 데이터 한계, 현실 검증, 해석 가능성 등 아직 남은 도전 과제도 명확히 드러냅니다. 논문은 PPG 데이터 기반 딥러닝 연구의 주요 과제, 모델, 데이터 현황과 함께 현실 적용의 장애 요소와 미래 방향도 심도있게 논의합니다.

1. 서론: PPG와 딥러닝의 만남

최근 몇 년간, 광용적맥파(Photoplethysmography, PPG) 센서는 심박수, 동맥혈압, 산소포화도, 호흡수 등을 비침습적이며 지속적으로 측정할 수 있는 장점 덕분에 웨어러블 기기를 비롯한 여러 의료기기에서 널리 쓰이고 있습니다.
예를 들어, 애플 워치, 스마트 반지, 스카프 등 다양한 형태의 PPG 기기가 개발되며 사용자가 늘고 있습니다.

이처럼 급증하는 PPG 데이터는 전문가가 수작업으로 해석하기엔 한계가 있기 때문에 자동화되고 정확한 분석 방법이 필요합니다.
기존의 머신러닝 접근은 수작업으로 특징을 골라야 하는 번거로움이 있지만,
딥러닝의 발전은 방대한 데이터에서 자동으로 유의미한 패턴을 추출하고 "엔드-투-엔드(end-to-end)" 분석을 수행할 수 있게 했습니다.

"연구자는 데이터를 입력만 하면 되고, 모델이 필요한 모든 일을 자동으로 정확하게 처리합니다."

이 논문은 딥러닝을 활용한 PPG 데이터 분석의 최신 동향을 과제(Task), 모델(Model), 데이터(Data) 관점에서 폭넓게 정리합니다.

2. 배경

2.1. PPG 원리 및 기기

PPG의 핵심은 피부 조직을 지나는 혈액의 맥동에 따라 빛의 흡수/반사량이 달라지는 원리입니다.
보통 LED(광원)와 포토다이오드(수광부)로 구성되며,

• 직접 빛이 반대편으로 투과(Transmittance)
• 또는 같은 편에서 반사(Reflectance)
  두 가지 방식이 있습니다.

자주 쓰는 파장(빛 색깔)에 따라 움직임 잡음에 대한 저항이나 측정 효율에 차이가 있으므로, 용도나 기기 특성에 맞는 파장 선택이 중요합니다.

Figure 1. 과제, 모델, 데이터로 보는 PPG 분석 개요

2.2. 딥러닝 개념

딥러닝은 여러 은닉층을 쌓은 신경망 구조로, 수많은 데이터에서 특징 추출 및 예측을 자동화합니다.
특히, 전통적 방법(예: 로지스틱 회귀, 랜덤포레스트, SVM)과 달리

• CNN(합성곱 신경망): 영상·시계열 데이터의 지역 패턴/특징 뽑기에 강점
• RNN(순환 신경망), LSTM/GRU: 시간적 순서 맥락 파악에 적합
• CRNN: CNN+RNN 장점 결합
• Transformer: 어텐션 기반, 긴 거리 맥락처리에 우수
• AE, GAN, U-Net 등 생성모델: 데이터 생성·재구성
  구조에 따라 사용 목적이 다릅니다.

3. 연구 방법

연구진은 2017년~2023년 7월까지 Google Scholar, PubMed, Dimensions 등에서
("deep learning" OR "DL") AND ("photoplethysmography" OR "PPG")로
총 646편의 논문을 찾아
중복·비영어 논문, PPG와 무관, 딥러닝 미사용, 정량 평가 부재 등 기준으로
최종 193편을 선별해 분석했습니다.

Figure 2. 문헌 검색 및 선정 절차 흐름도

4. 주요 연구 결과

총 193편 논문을 과제(Task), 모델(Model), 데이터(Data) 로 나누어 분석했습니다.

4.1. 과제(Task) 분류

4.1.1 의료 관련

• 혈압 분석:
  딥러닝 + PPG로 고혈압 등 혈압 분류 및 예측.
  예) "DeepCNAP" 모델은 PPG를 이용해 SBP, DBP, MAP를 매우 정밀하게 예측.

  "ResUNet와 self-attention을 결합한 DeepCNAP은 연속적인 동맥혈압 파형을 추출하여 평균 절대오차가 3.40 ± 4.36 mmHg (수축기), 1.75 ± 2.25 mmHg (이완기)로 나타났습니다."

• 심혈관질환 진단:
  심방세동(AF) 등 부정맥 분류, 심박수 산출, 혈관 노화 등

  "심방세동 탐지는 2/3클래스 분류로 접근되며, 딥러닝이 운동 등에서 더 안정적인 심박 추출을 가능케 합니다."

• 수면 건강:
  PPG + 딥러닝으로 수면 단계 분류, 수면 무호흡증(OSA) 판별 등

  "CNN-GRU 기반 CRNN이 3~5단계 수면분류에서 최고 epoch 정확도 80.1%, Cohen's kappa 0.65를 달성했습니다."

• 정신건강/감정상태:
  스트레스, 불안 등 감정상태 PPG 변화 딥러닝 분류
• 호흡 분석:
  호흡수 예측, 호흡 신호 재구성

  "ResNet 기반 딥러닝으로 호흡수 예측 시 평균 오차 2.5 ± 0.6회/분."

• 혈당 분석/당뇨:
  비침습 혈당 예측 및 당뇨 판별
• 기타:
  자율신경 이상, 통증 분류, 패혈증, COVID-19 진단, 마취 깊이 예측 등

4.1.2 비의료 관련

• 신호처리:
  노이즈 제거, 신호 품질 평가, PPG 분절·국소화 등

  "PPG 신호의 '좋음'/'나쁨'을 CNN 등으로 분류, 5초 구간 기준 최대 93.8% 정확도."

• 생체 인증:
  PPG 기반 개인 식별, CNN·LSTM 및 2D 변환 이미지 이용

  "VitalDB 등 여러 데이터셋에서 CNN 기반 생체인증 정확도 97~99%."

• ECG 복원:
  PPG→ECG 변환, 특히 비간섭 상황에서 심전도 복원
• 활동 인식:
  PPG 신호 내 심장·호흡·운동 성분 분리, 인간 활동 분류

  "PPG만 사용하여 서기/걷기/달리기/점프/앉기 등 5가지 활동 분류 성공."

4.2. 모델 트랜드

• 최다 사용:
  CNN (116건) > CRNN (44건) > RNN (32건)
• 생성·복원:
  U-Net (15건), GAN (6건)
  • U-Net: 정보 보존 및 학습 용이, 시계열 생성에 효과적
  • GAN: 불안정/모드 붕괴 등 난점

"CNN은 (영상뿐만 아니라) 시계열 데이터에서도 강력한 패턴 추출력을 보여주며, 병렬처리가 용이합니다."

4.3. 데이터 현황

• 오픈 소스 데이터 활용 다수:
  대표적으로 MIMIC-III, UCI_BP, PPG-BP, PPG_DaLiA 등
  • 각 DB의 특성, 모집단, 링크 등 정리 (Table 3 참고)

5. 심층 논의(Discussions)

5.1. 딥러닝 + PPG의 의의와 확장성

딥러닝 덕분에 기존 이론(예: 심박 측정 등)으로 추출 불가했던 고차원 정보까지 탐색 가능해지면서 PPG가

• 생체 인증, 감정인식, ECG 복원 등 다양한 신경망 기반 신규 활용분야로 확장.

"딥러닝 도입 전엔 수작업 특징 추출이나 이론상 시계열 특성에 의존했으나, 이제는 고차원 공간의 잠재 정보까지 자동 발굴할 수 있습니다."

5.2. 다양한 PPG 기기 설계와 실제 적용

• 스마트워치, 반지, 밴드 등 시나리오별 맞춤형 기기 설계 필요
• 딥러닝과 하드웨어의 통합 최적화, 임상·사용자 실제 검증 과제

  "특정 응용 목적에 맞는 기기의 포터블성·안정성 등은 반드시 고려돼야 하며, 딥러닝과의 결합도 더 면밀한 연구가 필요합니다."

5.3. 신호 전처리의 중요성

• 분할, 리샘플링, 노이즈 제거, 저품질 신호 제거, 데이터 증강 등
  적절한 전처리가 성능에 큰 영향

  "여러 사용자에서 신호 길이 차이로 발생하는 세그 기반 불균형이 학습에도 편향을 줄 수 있다"는 점을 주의!

5.4. 다중 모달 결합의 장단점

• ECG, ACC 등 타 생리신호 결합 시 정보 보강 가능하나
• 정렬, 계산부담, 실용성 등 현실적인 한계 존재

5.5. 모델 설계에서 고려해야 할 사항

1. 구조 선택:
   데이터/과제 특성·복잡도에 따라 CNN, RNN, 어텐션, 심층/얕은 구조 등
2. 전문지식 융합:
   도메인별 전문가 판단을 설계에 반영, 해석성·현실성 강화
3. 개인화:
   사용자의 개별 데이터 반영·적응
4. 해석 가능성:
   투명성과 설명 가능성을 높여 신뢰 확보
5. 성능 균형:
   복잡성-효율성, 해석성-성능 간의 트레이드오프 전략 중요

"높은 정확도만이 아니라 해석성, 실효성, 효율 등 실제 적용 환경에 적합한 균형 잡힌 설계가 필요합니다."

5.6. 다양한 학습전략의 활용

• 지도/반지도/비지도학습 병행해
  레이블 부족 데이터 활용 증대 및 일반화력 강화

  "실세계 대규모 비라벨 데이터의 효과적 활용법이 중요한 연구 주제입니다."

5.7. 검증의 중요성

• 내/외부 일관된 검증, 벤치마크와 비교를 통한 안정성 확보 필수

  "이론만으론 한계. 다양한 상황, 데이터셋에서의 재현성 검증이 중요합니다."

5.8. 데이터 확보·표준화의 걸림돌

• DB 부족, 개인별(인구통계학적) 및 기기별·측정위치별 편차, 표준화 미비
  → 보편적·확장성있는 모델 개발 어려움

  "이런 제약들은 연구의 확장성과 객관적 비교를 어렵게 만듭니다."

5.9. 데이터 보안·프라이버시

• 익명화, 접근관리, 암호화 등 법적/윤리적 통제가 필요
  특히 PPG 딥러닝은 개인 특이 패턴을 학습하므로 재식별 우려도 내포

5.10. 대형 언어모델(LLM)과의 결합

• 의료기록 등 텍스트와 PPG 연계 분석으로 정밀의료 실현
• LLM을 챗봇 등으로 활용해 사용자와 자연스러운 상호작용 강화

  "LLM을 활용하면, PPG 데이터와 텍스트 정보 결합을 통한 맞춤형 건강관리 및 진단 지원이 가능합니다."

6. 결론

딥러닝 기반 PPG 데이터 분석은 정확도, 자동화, 응용 확장성 등에서 기존 방법을 앞지른다는 사실이 확인되었습니다. 하지만 데이터의 양·질, 현실 평가, 딥러닝 모델의 해석성·확장성 등은 여전히 숙제로 남아 있으며, 이 분야의 연구와 기술 발전을 위해서는 더욱 포괄적이고 표준화된 데이터 확보, 다각적 검증, 그리고 현실 적용 사례의 축적이 중요합니다.

용어/약어 표

마치며

딥러닝과 PPG의 결합은 웨어러블 헬스케어와 다양한 생체신호 기반 응용을 혁신적으로 변화시키고 있습니다. 앞으로도 데이터 품질 향상, 모델 해석성, 실제 적용 검증 등 다양한 과제 해결과 개인 맞춤형 스마트헬스케어로의 발전이 기대됩니다. 🚀