빛 변화와 움직임에도 흔들리지 않는 심박 측정 기술: RF-BayesPhysNet

마루페이 마와 차오 첸 연구팀이 개발한 RF-BayesPhysNet은 베이지안 신경망을 활용하여 복잡한 환경에서도 정확하고 신뢰할 수 있는 심박수 측정을 가능하게 하는 혁신적인 rPPG 기술입니다. 새로운 불확실성 측정 지표와 우수한 실험 결과를 통해 실제 응용 분야에서의 높은 활용성을 기대하게 합니다.

카메라를 이용해 얼굴 피부의 미세한 색 변화를 포착하여 심박수를 추정하는 원격 광혈류 측정(rPPG) 기술이 주목받고 있습니다. 하지만 조명 변화나 머리 움직임과 같은 복잡한 환경에서는 측정 정확도가 현저히 떨어지는 단점이 있었습니다. 기존의 딥러닝 모델들은 측정의 불확실성을 정량화하지 못해 실제 상황 적용에 어려움을 겪었습니다.

마루페이 마와 차오 첸 연구팀은 이러한 문제를 해결하기 위해, 베이지안 신경망을 rPPG 분야에 최초로 도입한 RF-BayesPhysNet(Robust Fusion Bayesian Physiological Network) 을 개발했습니다. 이 모델은 확률적 불확실성과 인식론적 불확실성 모두를 모델링하여, 변분 추론을 통해 정확성과 계산 효율성을 균형 있게 유지합니다.

rPPG 분야에서 불확실성 추정 지표가 부족하다는 점을 인지하고, 연구팀은 스피어만 상관 계수, 예측 구간 적중률, 신뢰 구간 너비를 활용한 새로운 평가 방법을 제시했습니다. 이를 통해 다양한 노이즈 조건에서 불확실성 추정 방법의 효과를 측정할 수 있게 되었습니다.

실험 결과, RF-BayesPhysNet은 기존 네트워크 모델보다 매개변수는 두 배이지만, UBFC-RPPG 데이터셋에서 MAE 2.56을 달성하며 대부분의 기존 모델을 능가하는 성능을 보였습니다. 특히 노이즈가 없는 환경과 낮은 노이즈 환경에서 뛰어난 불확실성 추정 능력을 보여주어, 예측 신뢰도를 높이고 실제 응용 분야에서의 강건성을 크게 향상시켰습니다. Github (https://github.com/AIDC-rPPG/RF-Net) 에서 코드를 공개하여 누구나 활용할 수 있도록 했습니다.

이 연구는 단순한 심박수 측정을 넘어, 측정의 신뢰도를 높이고 실제 환경에서의 활용성을 극대화하는 데 중요한 발걸음을 내딛었습니다. 앞으로 RF-BayesPhysNet은 의료, 스포츠, 안전 등 다양한 분야에서 활용될 가능성이 높으며, 지속적인 연구를 통해 더욱 정확하고 안정적인 심박 측정 기술로 발전할 것으로 기대됩니다.