해상도 가설: 시간 척도와 건강 결과의 대응 관계를 밝히다

PPG는 심박, 혈관 톤, 자율신경 조절, 호흡 연동, 장기 행동 리듬까지 담는 다층적 신호지만, 대부분의 모델은 이를 하나의 시간 축으로만 다룬다. 여기서는 resolution hypothesis를 제안하며, 건강 결과마다 의미가 드러나는 시간 해상도가 다르다고 본다.

핵심은 표현 학습을 “어떤 특징이 중요한가”가 아니라 “어느 시간 스케일에서 정보가 드러나는가”로 재정의하는 데 있다. 짧은 시간대의 미세한 형태 변화는 부정맥 같은 신호에, 긴 시간대의 느린 변화는 수면 단계나 만성적 심혈관 지표에 더 잘 맞는다.

이를 구현하는 방법으로 U-Net 스타일의 hierarchical convolutional encoder-decoder를 제시한다. 층을 깊게 쌓을수록 수용영역이 커져 장기 의존성을 간접적으로 포착하고, skip connection이 얕은 층의 고해상도 파형 정보를 보존한다. 반면 transformer는 self-attention으로 모든 시점을 직접 연결하므로 계산량이 **O(L^2)**로 커진다.

이 구조를 masked autoencoding으로 학습하면, 일부 구간을 가리고 복원하는 과정에서 모델이 국소 연속성과 장기 문맥을 함께 익힌다. 더 중요한 점은 중간 표현 자체가 해상도별 정보를 드러내는 탐침이 된다는 것이다. 서로 다른 층에 선형 분류기를 붙이면, 어떤 건강 과제가 어떤 시간 스케일에 의존하는지 확인할 수 있다.

관측된 패턴도 뚜렷하다.

• 심혈관 결과: 고혈압, 부정맥 검출은 더 깊은 층, 즉 더 거친 시간 해상도에서 성능이 높다.
• 수면 단계 분류: 심박 변이성과 혈관 톤의 느린 변화가 중요해 중간~거친 해상도에서 유리하다.
• 혈액검사 이상: 헤모글로빈, 전해질 불균형은 파형의 미세한 고주파 왜곡에 민감해 더 얕은 층, 즉 더 미세한 해상도에서 잘 드러난다.

결과적으로 hierarchical convolutional 모델은 transformer 계열보다 훨씬 작은 규모로도 경쟁력 있거나 더 나은 성능을 보인다. 저자는 이를 단순한 효율성 문제가 아니라, 신호의 구조와 모델의 귀납편향이 맞아떨어질 때 학습이 쉬워지고 표현이 더 의미 있어진다는 주장으로 연결한다.

결론은 분명하다. 웨어러블 건강 모델은 하나의 monolithic embedding으로 신호를 압축하기보다, 내부의 multi-resolution hierarchy를 드러내고 해석해야 한다. 그렇게 해야 온디바이스에서 동작하는 가볍고 개인정보 친화적인 연속 모니터링과, 임상적으로 설명 가능한 해석을 동시에 얻을 수 있다.