심장박동을 단계별로 듣다 생리학 기반 단계 인식 ECG 바이오메트릭스

본 논문은 웨어러블 디바이스에서 개인 인증 수단으로서 ECG(심전도)의 활용 가능성을 한층 끌어올리기 위해, 심장 주기의 각 파형 단계가 갖는 고유한 전기생리학적 특성을 명시적으로 모델링한다. 기존 연구들은 전체 심장박동을 하나의 연속된 신호로 처리해, P파, QRS 복합파, ST 구간, T/U 파와 같은 서로 다른 단계가 공유된 인코더에 의해 압축되도록 설계하였다. 이러한 접근은 단계 간 형태학적·스펙트럼 차이를 무시함으로써 특징 간 교차 얽힘(cross‑feature entanglement)을 초래하고, 특히 잡음이 많은 실시간 환경에서 식별 정확도가 급감하는 한계를 드러냈다. 이를 극복하기 위해 저자들은 ‘Hierarchical Phase‑Aware Fusion (HPAF)’이라는 3단계 구조를 제안한다. 첫 단계인 Intra‑Phase Representation (IPR)에서는 Cardiac Phase Segmentation (CPS) 모듈을 통해 각 심장박동을 P, QRS, ST, T/U 네 개의 구간으로 정확히 분할한다. 이후 각 구간마다 독립적인 Morphology‑Variation‑aware Feature Extractor (MVFE)를 배치한다. MVFE는 표준 컨볼루션 브랜치를 통해 파형의 전반적인 형태와 시간적 구조를 포착하고, 학습 가능한 Gabor 필터 브랜치를 통해 미세한 진폭 변동 및 급격한 전이 현상을 모델링한다. 이렇게 하면 각 단계가 자체적인 특징 공간을 유지하면서도, 다른 단계와의 정보 혼합을 방지한다. 두 번째 단계인 Phase‑Grouped Hierarchical Fusion (PGHF)에서는 생리학적 연관성을 기준으로 두 개의 그룹을 만든다. P와 T/U는 모두 재분극 과정에 해당하며 저주파, 저진폭 특성을 공유하므로 하나의 그룹으로, QRS와 ST는 탈분극 및 초기 재분극 단계로 고주파, 고진폭 특성을 갖기에 또 다른 그룹으로 묶는다. 각 그룹 내부에서는 Cross‑Phase Gated Fusion이라는 게이트 기반 융합기를 적용해, 단계별 특징을 가중치 조절을 통해 선택적으로 결합한다. 이 과정은 특정 잡음 상황에서 어느 그룹이 더 신뢰할 수 있는지를 동적으로 판단하도록 설계되었다. 세 번째 단계인 Global Representation Fusion (GRF)에서는 두 그룹의 융합 결과를 공통 스코어링 공간으로 투영하고, 스칼라 형태의 attention‑like 게이트를 계산한다. 이 게이트는 QRS‑ST 그룹과 P‑T/U 그룹 간 상대 중요도를 측정해, 최종 전역 식별 벡터를 가중합한다. 이후 선형 프로젝션을 거쳐 최종 임베딩을 생성한다. 학습 목표는 대조 손실(contrastive loss)을 기본으로, 단계별 정규화와 교차‑위상 일관성 제약을 추가함으로써 전역 임베딩이 각 단계의 정보를 균형 있게 반영하도록 유도한다. 또한, ECG는 연속적으로 수집되는 특성상 동일 사용자의 여러 심장박동이 존재한다는 점을 활용해 Heartbeat‑Aware Multi‑prototype (HAM) 등록 전략을 도입한다. 기존 단일 프로토타입 방식은 특정 박동에 포함된 잡음이나 변동성에 취약했지만, HAM은 동일 사용자의 여러 박동을 클러스터링해 다중 프로토타입을 저장한다. 매칭 시에는 이 프로토타입 집합과의 거리 최소화를 통해 잡음에 강인한 인증을 수행한다. 실험은 MIT‑BIH, PTB‑XL, ECG‑ID 등 세 개의 공개 데이터셋을 대상으로 수행되었으며, 폐쇄형(closed‑set) 및 개방형(open‑set) 프로토콜 모두에서 기존 최첨단 방법들을 크게 앞선 성능을 기록했다. 특히 심박수 변동이 크거나 움직임 잡음이 심한 상황에서, 단계별 전용 인코더와 다중 프로토타입 전략이 정확도와 F1‑score를 현저히 향상시켰다. 결과적으로 HPAF는 ECG 기반 바이오메트릭스의 실시간, 연속 인증 시나리오에 적합한, 생리학적 근거를 갖춘 고성능 프레임워크로 자리매김한다.