기존 원격의료시스템은 환자가 스스로 측정한 데이터의 신뢰성 문제와 방대한 데이터를 자동으로 분석하기 어려운 문제가 존재했으며, COVID-19의 확산으로 인해 비대면 의료서비스의 수요가 증가함에 따라 기존 원격의료시스템이 가진 문제점이 부각되고 있다. 특히 원격의료에서 자주 활용되는 광용적맥파(Photoplethysmogram, PPG)는 측정이 용이하고 심혈관 상태에 대한 정보를 제공해주지만 전문가가 직접 동잡음 및 측정오류가 포함된 데이터로부터 신뢰성 높은 영역을 선택해야 했다. 최근 AI 기술을 이용하여 PPG 데이터로부터 신뢰성 여부를 판정하고 원하는 파라미터를 얻기 위한 연구가 진행되었으나 고성능 하드웨어가 요구될 뿐만 아니라 기존의 지식과 연계하여 활용되기 어려웠다. 본 논문은 PPG의 자동 분석을 위해 PPG 분석에 기준이 되는 특이점을 실시간으로 검출하고 PPG의 신뢰성을 판단하는 심층신경망 필터를 제안하였으며, 판단된 PPG의 특이점 및 신뢰성을 기존의 지식들과 연계함으로써 PPG 자동 분석 시스템의 임상 적용 가능성을 검토하였다.
본 논문에서는 PPG 파형 분석에 필요한 6개의 특이점(Pulse Onset, Systolic Peak, Maximum slope before Systolic, Maximum slope before Diastolic, Error Start, Error End) 각각을 판정하기 위해 6개의 심층신경망 필터를 딥러닝시켰다. 각 심층신경망 필터는 최근에 측정된 74개의 PPG 데이터를 가공하여 입력데이터로 사용하였고 74개 중 중앙 20개 영역에서 특이점 유무를 판정하였으므로 실시간 분석이 가능했다. PPG 값이 하나씩 추가될 때마다 입력데이터를 갱신한 뒤 심층신경망 필터가 판정을 진행하였기 때문에 하나의 값은 최대 20회 판정될 수 있으며, 특이점별로 누적된 판정값은 측정의 신뢰도를 나타내는 특이점별 인식률이라 정의하였다.
앞서 계산된 특이점에 대한 인식률을 취합함으로써 각 심박동 파형의 신뢰성을 나타내는 박동별 인식률 지표를 제안하였으며, 임계치 이상의 인식률을 가진 심박동 파형을 대상으로 HR, HRV 그리고 PWA 파라미터를 계산하였다. 또한 고령의 만성질환자를 대상으로 진행되는 원격 모니터링 실증 사업으로부터 확보한 임상데이터를 심층신경망 필터에 입력한 뒤, Z 인식률에 기반한 지표를 계산함으로써 정상인과 임상환자를 구분할 수 있었다.
6개의 심층신경망 필터는 Training Dataset에 대해 94% 이상의 특이점 검출 정확도를 보였으며 Test Dataset의 경우 인식률이 80 이상인 심박동에 대해 심전도의 R-peak를 기준으로 1% 미만의 오차율을 보였다. 심층신경망 필터를 통해 판정된 특이점 기반 HR&HRV와 심전도의 R-peak 기반 HR&HRV를 인식률 80 이상인 심박동 조건에서 비교했을 때 모두 0.8 이상의 높은 상관계수를 확인할 수 있었다. Z 인식률을 기반으로 계산된 3가지 지표를 통해 고령의 만성질환자와 정상인의 차이를 확인할 수 있었다.
본 논문에서 제안한 심층신경망 필터는 기존 연구와 달리 Test Dataset에 대해 낮은 오차율을 보였으며, 심혈관질환자와 정상인을 포함한 모든 데이터에 대해 높은 정확도로 특이점을 판정할 수 있었다. 또한 제안된 인식률 지표를 이용하여 동잡음 혹은 측정오류 구간을 제외시킴으로써 신뢰성 높은 심혈관 정보를 확인할 수 있었다. 결과적으로 신뢰성 높은 구간에서 판정된 특이점을 이용하여 진단 과정에서 요구되는 다양한 파라미터를 계산함으로써 임상에서 높은 활용 가능성이 있음을 확인할 수 있었다.

Existing telemedicine systems have problems with the reliability of data measured by patients themselves and problems that make it difficult to automatically analyze huge amounts of data. As the spread of COVID-19 increases the demand for non-face-to-face medical services, the problems with existing telemedicine systems are highlighted. In particular, Photoplethysmogram(PPG), which are frequently used in telemedicine, are easy to measure and provide information about cardiovascular conditions, but experts had to choose reliable areas from data that included noise and measurement errors. Recently, research was conducted to determine reliability from PPG data and obtain desired parameters using AI, but high-performance hardware was required and it was difficult to be utilized in conjunction with existing knowledge. For the automatic analysis of PPG, this paper proposed Deep Neural Network Filter(DNN Filter) that detects the singular point that is the basis for PPG analysis in real time and determines the reliability of PPG, and examined the clinical applicability of PPG automatic analysis system by linking the singular point and reliability of the judged PPG with existing knowledge.
In this paper, 6 DNN Filters were deep-learning to determine the 6 singular point(Pulse Onset, Systolic Peak, Maximum slope before Systolic, Maximum slope before Diastolic, Error Start, Error End) required for PPG waveform analysis. Each DNN Filter was able to be analyzed in real time because 74 recently measured PPG data were processed and used as input data, and out of 74, 20 central areas were determined to have singaular point. As the input data was updated and the DNN Filters was determined after each PPG value was added, one value could be determined up to 20 times, and the judge value accumulated by singular point was defined as recognition score of singular point indicating the reliability of the measurement.
By aggregating the recognition score for the previously calculated singular point, a beat-by-beat recognition score showing the reliability of each heartbeat waveform was proposed, and the HR, HRV and PWA parameters were calculated for heartbeat waveforms with recognition score above the threshold.
In addition, clinical data obtained from remote monitoring demonstration projects for older chronic patients were entered into Deep Neural Network and indicators based on Z recognition score were calculated to distinguish normal subject from clinical patients.
6 DNN Filters showed more than 94% accuracy in detection of singular point for Training Dataset and, for Test Dataset, an error rate of less than 1% based on the R-peak of ECG for heartbeats of RS=80 or higher. A high correlation coefficient of 0.8 or higher was identified when the singular point-based HR&HRV determined by the DNN Filters and the R-peak-based HR&HRV of ECG were compared with heartbeats of RS=80 or higher. 3 indicators calculated based on the Z recognition score showed the difference between the older chronic patients and the normal subject.
Unlike previous studies, the DNN Filters proposed in this paper showed a low error rate for Test Dataset and were able to determine singular point with high accuracy for all data, including cardiovascular disease and normal subject. In addition, reliable cardiovascular information could be obtained by excluding noise or measurement error areas using the proposed recognition score indicator. As a result, by calculating the various parameters required in the diagnosis process using singular points determined in reliable sections, it was possible to confirm that DNN Filters were highly available in clinical trials.