비접촉식 심박수 추정에 관한 연구

📡 비접촉식 심박수 추정 기술의 개요: 피부에 닿지 않고 심장 박동을 측정하는 과학

• 우리는 보통 심박수를 측정할 때 손가락에 센서를 끼우거나, 손목에 스마트워치를 착용하거나, 가슴에 벨트를 두르는 방법을 떠올립니다. 하지만 최근에는 피부에 어떤 장치도 닿지 않고, 사람의 얼굴이나 몸을 카메라로 찍기만 해도 심박수를 알아낼 수 있는 기술이 빠르게 발전하고 있습니다. 이를 비접촉식 심박수 추정(Non-contact Heart Rate Estimation) 혹은 비접촉식 생체신호 추정(Non-contact Physiological Signal Estimation)이라고 부릅니다.
• 이번 글에서는 이 기술이 왜 중요한지, 어떻게 작동하는지, 그리고 현재 어떤 방식들이 사용되고 있는지 전반적인 개요를 소개합니다.

💡 왜 비접촉식 심박수 측정이 필요한가?

• 비접촉식 심박수 추정 기술은 다음과 같은 이유로 주목받고 있습니다:
  • 비침습성: 피부에 어떤 센서도 붙이지 않기 때문에 사용자의 불편함이 없고 위생적입니다.
  • 원격 측정: 병원뿐만 아니라 가정, 차량, 스마트 기기, 감시 카메라 등 다양한 환경에서 활용이 가능합니다.
  • 팬데믹 이후 관심 증가: COVID-19 이후 비접촉 방식의 건강 모니터링 수요가 폭발적으로 증가하면서 연구가 활발히 이루어졌습니다.

🧬 비접촉식 심박수 측정의 원리

출처: A Review of Deep Learning-Based Contactless Heart Rate Measurement Methods, Sensors, 2021.

• 이 기술은 사람의 얼굴, 손, 목 등의 영상을 분석하여 피부 색 변화나 움직임의 미세한 패턴을 통해 심장 박동을 추정하는 방식으로 작동합니다. 대표적인 신호로는 rPPG(remote Photoplethysmography)가 있으며, 이외에도 ballistocardiography, thermal imaging, radar 기반 방식 등이 존재합니다.
• rPPG (remote Photoplethysmography)
  • 카메라로 얼굴의 영상을 촬영하면, 심장 박동에 따라 얼굴의 혈류량이 아주 미세하게 변하면서 색 변화가 생깁니다.
  • 이 미세한 색 변화는 사람 눈에는 잘 보이지 않지만, 컴퓨터가 RGB 채널의 변화를 정밀하게 분석하면 심장 박동에 따른 패턴을 추출할 수 있습니다.
  • 추출된 신호는 일반적인 PPG(광용적맥파) 신호와 유사한 형태를 가지며, 이를 분석하면 심박수(BPM)뿐 아니라 HRV(심박 변이도) 등의 정보도 추정할 수 있습니다.

🔍 비접촉식 심박수 추정의 주요 접근 방식

• 전통적인 방법 (Traditional Methods)
  • 신호 처리 기반의 접근 방식.
  • 예: POS(Plane-Orthogonal-to-Skin), CHROM, ICA(Independent Component Analysis) 등
  • 장점: 계산량이 적고 구현이 단순함.
  • 단점: 노이즈에 약하고, 다양한 조건(조명, 움직임 등)에서 성능 저하.
• 딥러닝 기반 방법 (Deep Learning-based Methods)
  • CNN, RNN, Transformer 등의 딥러닝 모델을 활용하여 직접적으로 rPPG 신호를 추정.
  • 대표 모델: DeepPhys, RhythmNet, EfficientPhys, PhysFormer 등
  • 장점: 다양한 환경에서도 일반화 가능성 높음, 특징 추출 자동화.
  • 단점: 많은 데이터와 연산 자원이 필요함.
• 다중 모달 기반 방법 (Multi-modal Approaches)
  • RGB 외에도 Thermal(열화상), NIR(근적외선), Depth 등의 다양한 센서를 조합하여 추정.
  • 예: RGB-Thermal 기반 Fusion, RGB-NIR 기반 Cross-Attention 모델 등
  • 장점: 조명 변화, 움직임 등의 환경 변화에 더 강건.
  • 단점: 복잡한 시스템 구조와 센서 비용 증가.

⚠️ 기술적 도전 과제

• 비접촉식 심박수 추정 기술은 유망하지만 아직 다음과 같은 문제들을 해결해야 합니다:
  • 💡 조명 변화에 대한 민감도
  • 🧍‍♂️ 피험자의 움직임 (Motion Artifact)
  • 🧑🏾‍🦱 피부색, 성별, 나이 등에 따른 성능 편차
  • 🧪 Ground truth 수집의 어려움
• 이러한 문제를 해결하기 위해 최근에는 Self-supervised Learning, Domain Adaptation, Multimodal Fusion 등의 기법들이 활발히 연구되고 있습니다.

✅ 마무리

• 비접촉식 심박수 추정 기술은 건강 모니터링의 새로운 지평을 여는 핵심 기술 중 하나입니다. 앞으로는 스마트폰, 차량, 병원, 요양 시설, 홈 IoT 등에 자연스럽게 녹아들며 사람들의 건강을 비접촉 방식으로 정밀하게 모니터링하는 시대가 올 것으로 기대됩니다.