활성 RIS 기반 MIMO‑OFDM 비접촉 호흡 신호 추출 및 통신 동시 최적화

본 논문은 6G 시대의 핵심 기술로 떠오르는 ISAC(Integrated Sensing and Communication)를 구현하기 위해, 활성형 재구성 지능 표면(active RIS)과 MIMO‑OFDM 시스템을 결합한 RIS‑VSign 프레임워크를 제안한다. 시스템은 두 단계로 구성된다. 첫 번째 단계는 RIS 위상을 선택하는 ‘phase selector’이며, 두 번째 단계는 비접촉 호흡 신호를 추출하는 ‘vital signs extraction’이다. **1) 시스템 모델 및 문제 정의** Tx는 T개의 안테나, Rx는 R개의 안테나를 갖는 5G NR‑compatible OFDM 다운링크를 사용한다. K개의 활성 RIS 요소가 존재하며, 각 요소는 고정 이득 gₖ와 가변 위상 θₖ를 가진다. 채널은 정적(RIS SM 경로와 직접 Tx‑Rx 경로)과 동적(RIS AM 경로와 도플러에 의한 반사)으로 구분된다. 실제 환경에서는 CFO, SFO, PDD 등으로 인한 시간 가변 위상 오프셋 ψₜ가 존재해 모든 Rx 안테나에 동일하게 적용된다. 이러한 위상 드리프트는 호흡 신호와 통신 성능을 동시에 저하시킨다. **2) 차동 Möbius 변환(DMT) 기반 위상 보정** 직접적인 위상 보정이 어려운 경우, 저자들은 두 개의 RIS 위상 설정(θₖ와 θₖ′=θₖ+180°)을 이용해 차동 Möbius 변환 파라미터 δ₍r,t,θₖ₎를 정의한다. δ는 정적 채널과 동적 채널의 비율을 나타내며, 위상 드리프트 ψₜ가 소거된다. 이 δ를 이용해 복소 내적 p₍r,t,θₖ₎를 식 (9)와 (10)으로 표현할 수 있다. 단일 RIS 요소에 대해서는 이론적으로 최적 위상을 직접 계산할 수 있지만, 다중 RIS 요소가 동시에 작동할 경우 상호 간섭으로 인해 수식적 해가 존재하지 않는다. **3) DMTNet: 딥러닝 기반 다중 RIS 위상 선택기** 다중 RIS 요소의 위상을 동시에 최적화하기 위해, 차동 MT 파라미터 δ₍r,t,θₖ₎와 정적 MT m₍r,t,s₎를 입력으로 하는 DMTNet을 설계한다. 네트워크 구조는 (i) 업샘플러(TCNN) → (ii) 다운샘플러(CNN) → (iii) 멀티태스크 분류기(FC) 로 구성되며, 잔차 연결을 통해 그래디언트 소실을 방지한다. 입력은 각 RIS 요소별 위상(4‑bit DPS)와 해당 위상에 대한 δ magnitude/phase이며, 출력은 각 DPS에 대한 최적 클래스(위상값)이다. 손실 함수는 크로스 엔트로피이며, 학습은 시뮬레이션 기반 채널 모델