추천웨어러블 건강 AI를 위한 생체신호 간 사전학습: 기저 생체신호 구조 반영

xMAE는 PPG(광혈류측정)와 ECG(심전도)의 생리적 관계를 활용한 마스킹 크로스모달 재구성 프레임워크다. 웨어러블 기기에서 손쉽게 수집되는 PPG는 심장 전기 신호의 하류(downstream) 반응이며, ECG는 그 상류(upstream) 원인에 해당한다. xMAE는 이 방향성 의존 관계를 학습에 직접 활용한다.

사전학습 시 10초 길이의 ECG·PPG 동기화 쌍을 입력으로 사용하며, ECG의 연속 구간을 마스킹한 뒤 PPG로부터 이를 재구성하도록 훈련한다. 단순 보간으로 마스킹을 우회하지 못하도록 연속 블록 마스킹을 적용하고, 방향성 크로스어텐션(마스킹된 ECG 토큰 → 쿼리, PPG 토큰 → 키·값)으로 심장 전기 타이밍을 말초 맥박으로부터 추론하게 한다. 커리큘럼 마스킹 전략으로 초반에는 ECG 가시 구간을 많이 두고, 점차 PPG 의존도를 높여 학습을 안정화한다.

사전학습 후 ECG 브랜치는 제거되며, 학습된 PPG 인코더만 다운스트림 태스크에 활용된다. 약 340만 개의 동기화 녹화본(~9,400시간, 2,400명)으로 사전학습한 xMAE는 6개 연구·19개 다운스트림 태스크(심혈관 질환, 수면 단계 분류, 혈액 검사 결과, 인구통계)에서 기존 오픈소스 파운데이션 모델 대비 더 적은 사전학습 데이터로 높은 분류 성능을 달성했다.