Stabilizing PPG-based Blood Pressure Estimation through Global-to-Personalized Learning

Motivation

• Known: PTT 기반 물리 모델, hand-crafted feature 기반 머신러닝, 그리고 raw PPG를 입력으로 하는 end-to-end deep learning 모델들이 cuffless BP 추정에 사용되어 왔으며, subject-dependent 학습은 개인화 성능을 높이지만 데이터 부족 시 불안정하고, population-level(subject-independent) 학습은 다수 데이터를 활용하지만 개인차로 인해 성능이 저하되는 것으로 알려져 있다.
• Gap: 기존 연구들은 population-level 학습과 subject-dependent 학습을 독립적인 대안으로 다루었을 뿐, 두 접근을 순차적·상호보완적 단계로 결합하여 특히 개인 데이터가 제한적이고 추정이 불안정한 피험자에 대해 population-level 사전학습이 구제 전략(rescue strategy)으로 작동할 수 있는지는 체계적으로 검증되지 않았다.
• Why: 지속적 비침습 혈압 모니터링은 심혈관질환·신부전 등 조기 발견 및 만성질환 관리에 핵심적이나, PPG 기반 방법은 개인차로 인한 불안정성 때문에 임상적 신뢰도가 낮았으며, 이를 안정화하는 학습 전략은 웨어러블 혈압 모니터링의 실용성을 높이는 데 중요하다.
• Approach: 동일한 CNN–BiLSTM–Attention–FC 백본을 사용하되, 아키텍처 혁신이 아닌 학습 전략(population-level pretraining 후 subject-specific fine-tuning)의 효과에 초점을 맞추어, MAE와 예측-참조 BP 분산비 기반으로 식별한 estimation-unstable 피험자에게 Global BP 모델을 초기화 지점으로 활용해 fine-tuning을 수행하였다.

Achievement

Figure 2. Subject-level trends of systolic blood pressure (SBP) estimation performance across different fine-tuning data

1. MAE 대폭 개선: 7명의 estimation-unstable 피험자에서 SBP MAE를 15.79→4.85 mmHg, DBP MAE를 4.98→3.14 mmHg로 감소시켜 순수 subject-dependent(SD) 모델 대비 안정성을 크게 향상시켰다.
2. 불안정성 식별 프로토콜 제시: SD 모델 결과로부터 MAE와 예측-참조 BP 분산비라는 두 지표를 조합해 개인화가 필요한 피험자를 정량적으로 선별하는 실험 프로토콜을 제안하였다.
3. 선택적 CNN freeze 전략 검증: fine-tuning 시 CNN feature extractor는 고정하고 BiLSTM, attention, FC 레이어만 업데이트함으로써 population-level 파형 표현을 보존하면서 개인별 BP 특성에 적응시키는 방법이 효과적임을 확인하였다.

How

Figure 3. Subject-level trends of diastolic blood pressure (DBP) estimation performance across different fine-tuning dat

• MIMIC Database에서 PPG·ABP 동시 수집 레코드를 선별, 10초 non-overlapping window로 세그먼트화
• θstd 기반 신호질 필터링, 4차 Butterworth bandpass filter(0.5–8Hz) 적용, ABP 국소 최대/최소값으로 SBP/DBP 라벨 추출
• Z-score 기반 이상치 제거 및 생리학적 범위 제약(SBP 60–200, DBP 30–120 mmHg) 적용 후 48명 피험자(57 레코드) 확보
• 48명 전원에 대해 subject-dependent(SD) 모델을 개별 학습·평가하고, MAE와 분산비를 결합한 불안정성 랭킹으로 상위 7명을 estimation-unstable 피험자로 지정
• 나머지 41명 중 36명은 Global BP 모델 학습에, 5명은 검증에 사용(피험자당 10% 세그먼트 샘플링으로 불균형 완화)
• 불안정 피험자 7명에 대해 Global BP를 초기화점으로 하여 CNN은 고정하고 BiLSTM/attention/FC만 업데이트하는 fine-tuning(FT) 수행
• 모든 실험은 동일한 8:2 train/test split과 Huber loss로 최적화, MAE·RMSE·Pearson r로 평가

Originality

• 새로운 모델 아키텍처를 제안하는 대신, 동일 backbone 하에서 population-level pretraining과 subject-specific fine-tuning의 상호작용을 체계적으로 분리해 분석한 실험 설계
• SD 모델 결과로부터 MAE와 BP 분산비를 결합한 불안정성 지표를 도출해 개인화가 필요한 피험자를 사전 식별하는 프로토콜 자체가 독창적
• fine-tuning 시 CNN feature extractor를 고정하고 상위 레이어만 적응시키는 선택적 파라미터 갱신 전략을 통해 population 표현과 개인화 적응을 분리한 접근

Limitation & Further Study

• ICU 환경의 MIMIC 데이터베이스만을 사용하여, 일상 웨어러블 환경(움직임 아티팩트, 다양한 착용 위치 등)에서의 일반화 가능성이 검증되지 않음
• 불안정 피험자 수가 7명으로 매우 적어 통계적 유의성 및 다양한 인구집단에 대한 대표성이 제한적
• 안정 피험자(41명) 선별 기준과 SD 평가의 train/test split 방식이 fine-tuning 결과에 미치는 영향(데이터 누수 가능성 등)에 대한 심층 검증 부족
• 향후 연구로 대규모 다기관·webarable 데이터셋에서의 검증, freeze 전략 외 다양한 fine-tuning 방식 비교, 그리고 장기 추적 관찰을 통한 임상적 유효성 평가가 필요

Evaluation

총평: 아키텍처 혁신 없이도 population-level 사전학습과 선택적 fine-tuning의 조합만으로 불안정 피험자군의 BP 추정 안정성을 크게 개선했다는 실용적 시사점을 제공하지만, 소규모 ICU 데이터와 제한된 불안정 피험자 수로 인해 일반화 가능성 검증은 후속 연구가 필요하다.