[논문 리뷰] Weighted Temporal Decay Loss for Learning Wearable PPG Data with Sparse Clinical Labels

Yunsung Chung, Keum San Chun외 7명|arXiv (Cornell University)|2026. 02. 02.

Non-Invasive Vital Sign Monitoring인용 수 0

한 줄 요약

요약: 이 논문은 PPG 세그먼트와 실제 라벨 간의 시간 간격에 따라 샘플 가중치를 biomarker별로 학습하는 가중 시간 감소 손실를 도입하여 temporally distant 라벨에서 학습 가능성을 높이고 스마트워치 PPG로부터 다중 바이오마커 예측을 개선합니다.

ABSTRACT

Advances in wearable computing and AI have increased interest in leveraging PPG for health monitoring over the past decade. One of the biggest challenges in developing health algorithms based on such biosignals is the sparsity of clinical labels, which makes biosignals temporally distant from lab draws less reliable for supervision. To address this problem, we introduce a simple training strategy that learns a biomarker-specific decay of sample weight over the time gap between a segment and its ground truth label and uses this weight in the loss with a regularizer to prevent trivial solutions. On smartwatch PPG from 450 participants across 10 biomarkers, the approach improves over baselines. In the subject-wise setting, the proposed approach averages 0.715 AUPRC, compared to 0.674 for a fine-tuned self-supervised baseline and 0.626 for a feature-based Random Forest. A comparison of four decay families shows that a simple linear decay function is most robust on average. Beyond accuracy, the learned decay rates summarize how quickly each biomarker's PPG evidence becomes stale, providing an interpretable view of temporal sensitivity.

연구 동기 및 목표

• PPG 기반 바이오마커 예측에서 희소한 임상 라벨의 도전 과제를 다룬다.
• 시간 간격에 따라 학습 샘플을 가중하는 biomarker별 학습 가능한 시간 감소 비율을 도입한다.
• 스마트워치 데이터에서 10개의 바이오마커에 대한 baselines 대비 성능 향상을 보여준다.
• 훈련 중 시계열로부터 멀리 떨어진 신호를 활용하여 데이터 효율성을 입증한다.
• 바이오마커별로 학습된 시간 민감도 해석 가능성을 제공한다.

제안 방법

• 샘플 가중치 w_i = g(alpha_b_hat * Delta_t_i)로 정의된 가중 손실을 정의하되 Delta_t_i는 가장 가까운 건강 기록까지의 일수이며 alpha_b_hat = softplus(alpha_b) >= 0이다.
• 수 degenerate 가중치를 방지하기 위해 mean-weight 보너스를 포함한 가중 이진 교차 엔트로피를 사용하고 lambda를 0.5로 고정한다.
• 네 가지 감소 계열(지수, 선형, 코사인 감소, 역수)을 탐색하고 평균적으로 선형이 가장 견고함을 확인한다.
• 450명의 참가자에서 10초 PPG 세그먼트를 질 품질 필터링하고, 가장 가까운 임상 기록과 30일 이내로 정렬하며, 피실험자별 5-폴드 교차 검증으로 평가한다.
• 제안된 손실로 설계된 평가와 함께 핸드메이드 특성의 Random Forest 및 PAPAGEI를 비교한다.

Fig. 1 : The proposed method uses a weighted decay loss function, parameterized by $\Delta t$ – the temporal distance between the nearest sparse clinical label and the corresponding sensor data – to progressively reduce the contribution of the samples as they occur further from the clinical health r

실험 결과

연구 질문

• RQ1 임상 라벨이 희소할 때 시간 인식적 가중 스킴이 PPG로부터 바이오마커 예측을 개선할 수 있는가?
• RQ2 다수의 바이오마커에 대해 가장 견고한 성능을 제공하는 감소 계열은 무엇인가?
• RQ3 바이오마커별 감소 비율을 학습하는 것이 고정 비율이나 시간 가중 없음보다 성능을 향상시키는가?
• RQ4 두 극단(상위 사분위수 vs 하위 사분위수) 라벨 설정에서 이 방법은 어떻게 작동하는가?
• RQ5 성능에 영향을 주는 잠재적 한계와 바이오마커별 동역학은 무엇인가?

주요 결과

• 평균 AUROC 0.712 및 AUPRC 0.715로 바이오마커 전체에서 PAPAGEI(AUROC 0.660, AUPRC 0.674) 및 RF(AUROC 0.599, AUPRC 0.626)보다 우수하다.
• 선형 감소가 평균적으로 가장 강한 성능을 보였다(AUROC 0.712, AUPRC 0.715).
• 바이오마커별 감소 비율을 학습하는 것이 고정 비율을 제거하는 것보다 추가 이점을 제공했다.
• 시간 인식 가중은 멀리 떨어진 세그먼트에 대한 의존도를 줄이고 피실험자별 세그먼트 예측의 집계를 개선했다.
• 두 극단 프로토콜은 WBC 및 Potassium과 같이 빠르게 변하는 바이오마커에 특히 큰 이점을 보였다.