AI 기반 불규칙 맥파 분석과 부정맥 조기 진단: 인공지능 맥파 검출 알고리즘의 혁신과 스마트 헬스케어 적용

doi:10.9718/JBER.2020.41.5.185

1. 서론: 부정맥 조기 진단의 필요성과 한계

부정맥(arrhythmia)은 심장의 전기적 신호가 정상적인 전도 경로를 벗어나 비정상적인 리듬을 형성하는 상태를 의미한다. 

부정맥은 증상이 일시적일 수 있으나, 심방세동(atrial fibrillation)과 같은 특정 유형은 뇌졸중과 심부전 위험을 크게 증가시키므로 조기 진단이 매우 중요하다.

현재 임상에서 가장 널리 사용되는 진단 도구는 심전도(ECG, electrocardiogram)이다. 

그러나 심전도는 환자에게 여러 개의 전극을 부착해야 하고, 신호 해석에 전문가의 판독이 필요하다. 

또한 일상 생활에서 장기간 모니터링하기 어렵다는 한계가 있다. 이러한 제약은 부정맥이 간헐적으로 나타나는 경우 조기 발견을 어렵게 만든다.

이에 대한 대안으로, 최근에는 맥파(radial pulse)를 활용한 인공지능 기반 진단 연구가 활발히 진행되고 있다. 

맥파는 손목에서 간단히 측정 가능하며, 스마트워치·헬스케어 반지 등 웨어러블 기기를 통해 실시간 모니터링이 가능하다. 

특히 불규칙 맥파 검출 알고리즘은 심전도 기반 진단을 보완하는 차세대 기술로 주목받고 있다.

---

2. 맥파의 생리학적·한의학적 의미

맥파는 심장이 박동할 때 발생하는 혈류의 파동을 말하며, 요골동맥에서 쉽게 측정할 수 있다.

• 현대의학적으로 맥파 분석은 심혈관계 이상 여부를 확인하는 데 사용될 수 있다.

• 한의학에서는 맥파를 맥상(pulse pattern)으로 분류하여 진단에 활용해왔다.

  • 결맥(결정적으로 느리고 불규칙한 맥)은 서맥(bradycardia)이나 심방차단과 유사하다.

  • 촉맥(빠르고 불규칙한 맥)은 빈맥(tachycardia)이나 심방세동과 연관될 수 있다.

  • 대맥(규칙적으로 불규칙한 맥)은 간헐적 이탈박동(escape beat) 등과 관련된다.

따라서 맥파는 동서의학을 아우르는 중요한 진단 신호이며, AI 기반 분석을 통해 임상적 활용도가 크게 확장될 수 있다.

---

3. 연구 개요: 불규칙 맥파 검출 알고리즘 개발

한국한의학연구원 연구진은 총 1,432개의 맥파 신호를 수집·분석하여 불규칙 맥파 검출 알고리즘을 개발하였다.

• 데이터 구성: 정상 맥파 1,363개, 불규칙 맥파 69개

• 측정 장비: 한국한의학연구원 개발 맥진기 (KIOM-PAS ver. 2.0)

• 윤리적 승인: IRB 승인 및 CRIS 등록 완료

• 분석 구간: 일정가압 조건에서 60초간 측정된 구간

👉 이 연구의 핵심은 맥파 특징점(peak, onset 등)을 추출하지 않고 최소 전처리 신호를 그대로 학습 모형에 투입했다는 점이다. 

이는 전통적 방식의 한계(특징점 검출 오류, 진단 정확도 저하)를 극복하는 혁신적 접근이다.

---

4. 최소 전처리 기반 데이터셋 구축

연구진은 동일한 원시 맥파 신호에서 다음 세 가지 데이터셋을 구축하였다.

• 시간영역 신호 (Time Domain, TD): 원시 맥파를 리샘플링한 단순 신호

• 주파수영역 신호 (Frequency Domain, FD): FFT를 적용하여 얻은 스펙트럼

• 스무딩 주파수 신호 (FD + SWMA): FD 신호에 이동평균 필터(SWMA)를 적용해 잡음 제거

그림 1. 일반 맥파 신호와 불규칙 맥파 신호의 예시

그림 2. 전처리 과정을 최소화한 3가지 데이터셋 예시

주파수영역 데이터셋은 특히 정상 vs 불규칙 맥파의 차이를 명확히 드러내며, 알고리즘 성능 향상에 크게 기여했다.

---

5. 적용된 인공지능 알고리즘

연구에서는 세 가지 머신러닝 기법이 적용되었다.

1. Elastic Net Logistic Regression (EN-LRM)

   • 벌점 회귀 기반 알고리즘

   • 고차원 데이터에 효과적

   • 민감도 100% 확보 가능

2. Random Forest (RF)

   • 다수의 의사결정나무를 앙상블한 모델

   • 과적합 방지에 강점

3. Extreme Gradient Boosting (XGBoost, XGBM)

   • 부스팅 알고리즘의 진화형

   • 속도·정확도·일반화 성능이 우수

   • 최종적으로 가장 뛰어난 성능을 보임

그림 3. 불규칙 맥파 검출을 위한 XGBoost 흐름도

---

6. 연구 결과: XGBoost의 압도적 성능

• XGBM은 정확도 99.7%, 민감도 100%, 특이도 99.6%, 정밀도 93.3%를 기록하였다.

• 이는 기존 전통적 특징점 기반 알고리즘보다 훨씬 높은 성능이다.

• FD+SWMA 데이터셋을 사용했을 때 성능이 극대화되었다.

표 3. 불규칙 맥파 검출 모형 평가 결과

표 4. XGBM 검증집합에 대한 혼동행렬

그림 4. 정상 및 불규칙 맥파의 평균 프로파일 비교

그림 5. XGBM 변수 중요도 분석 결과

그림 6. XGBM 서브모듈 선택 도표

---

7. 의의와 임상적 활용 가능성

본 연구의 성과는 다음과 같다.

1. 심전도 대체·보완 가능성

   • ECG 측정이 어려운 환경에서도 맥파 기반 조기 스크리닝 가능

2. 스마트 헬스케어 적용성

   • 웨어러블 기기(스마트워치, 스마트 반지)에 쉽게 적용 가능

   • 비대면 진료(untact medicine) 환경에 최적화

3. 동서의학 융합 가능성

   • 한의학적 맥상 해석과 현대 AI 분석을 결합한 새로운 융합 진단 모델 제시

---

8. 연구의 한계와 향후 과제

• 데이터 불균형: 불규칙 맥파 데이터 수가 적음

• 세부 부정맥 유형 분석 부족: 심전도 기반 세부 진단과 비교 필요

• 생리학적 해석 미흡: 특정 주파수 성분의 임상적 의미 추가 연구 필요

향후 연구에서는 대규모 데이터셋 확보, ECG-맥파 융합 분석, 한의학적 맥상 분류 적용이 필요하다.

---

9. 결론

이번 연구는 AI 기반 불규칙 맥파 검출 알고리즘이 부정맥 조기 스크리닝에 효과적임을 입증하였다. 

특히 XGBoost 기반 모델은 거의 완벽에 가까운 성능을 보이며, 스마트 헬스케어 시대의 핵심 기술로 자리매김할 가능성이 크다.

궁극적으로, 이 기술은 일상에서의 자가 건강관리, 비대면 진료, 동서의학 융합 플랫폼으로 발전할 수 있을 것이다.

---

📚 참고문헌

[1] T. B. Garcia and D. J. Garcia, Arrhythmia recognition: The art of interpretation. Jones & Bartlett Publishers, 2019.
[2] M.-H. Song, J. Lee, S.-P. Cho, and K.-J. Lee, “SVM classifier for the detection of ventricular fibrillation,” J. Inst. Electron. Eng. Korea SC, vol. 42, no. 5, pp. 27–34, 2005.
[3] L. Xu, D. Zhang, K. Wang, and L. Wang, “Arrhythmic pulses detection using Lempel-Ziv complexity analysis,” EURASIP J. Appl. Signal Process., 2006, Article ID 18268.
[4] S. Singh, S. K. Pandey, U. Pawar, and R. R. Janghel, “Classification of ECG arrhythmia using recurrent neural networks,” Procedia Computer Science, vol. 132, pp. 1290–1297, 2018.
[5] T. Chen and T. He, “XGBoost: extreme gradient boosting,” in Proc. 22nd ACM SIGKDD Int. Conf., 2016, pp. 785–794.
[6] G. H. Tison et al., “Passive detection of atrial fibrillation using a commercially available smartwatch,” JAMA Cardiol., vol. 3, no. 5, pp. 409–416, 2018.
[7] C.-M. Huang et al., “Radial pressure pulse and heart rate variability in heat- and cold-stressed humans,” Evid. Based Complement. Alternat. Med., 2011, Article ID 751317.