가정 수면 모니터링 혁신: 탄도심전도(BCG) 신호의 움직임 인공물 감지, 하이브리드 모델이 가져올 미래

doi:10.1186/s12938-025-01426-0

서론: 비접촉 생체 신호 모니터링의 핵심 과제

최근 건강 관리는 개인의 삶의 질 향상을 위한 필수적인 요소로 자리 잡았습니다. 특히, 수면 중 건강 모니터링의 중요성이 부각되면서, 전통적인 착용형 기기의 불편함 없이 심박수나 호흡과 같은 생체 신호를 비접촉 방식으로 측정하려는 연구가 활발히 진행되고 있습니다. 이 중 압전(壓電) 센서 기술은 침대 매트리스 아래에 설치하는 방식으로 사용자의 움직임을 방해하지 않으면서도 생체 신호를 감지하는 데 큰 발전을 이루었습니다. 

하지만 이러한 비접촉 방식의 모니터링은 한 가지 중요한 한계를 안고 있습니다. 바로 '움직임 인공물(Motion Artifacts)'의 문제입니다. 사용자가 수면 중 뒤척이거나 움직일 때 발생하는 신호 왜곡은 실제 생체 신호를 가려버려 데이터의 신뢰성을 크게 떨어뜨립니다.  특히 수면 무호흡증과 같은 질환을 모니터링할 때, 정확한 생체 신호 분석은 진단과 치료에 결정적인 영향을 미치기 때문에, 이러한 움직임 인공물을 효과적으로 감지하고 제거하는 것은 비접촉 건강 모니터링 기술의 핵심 과제로 부상했습니다. 기존에는 필터링 기법이나 기계 학습 방식 등 다양한 방법론이 시도되었지만, 움직임 인공물의 복잡성과 예측 불가능성으로 인해 여전히 도전적인 영역으로 남아 있었습니다. 

본 칼럼에서는 이러한 난제를 해결하기 위해 제안된 혁신적인 '하이브리드 모델(Hybrid Model)'에 대해 심층적으로 다루고자 합니다. 이 모델은 탄도심전도(Ballistocardiogram, BCG) 신호에서 움직임 인공물을 정밀하게 감지함으로써, 가정 환경에서의 수면 모니터링 신뢰도를 획기적으로 향상시킬 수 있는 잠재력을 가지고 있습니다. 세계적인 연구를 통해 검증된 이 모델의 작동 원리, 뛰어난 성능, 그리고 앞으로 우리의 건강 관리에 미칠 영향에 대해 전문가적인 시각으로 분석해 보겠습니다.

비접촉 탄도심전도(BCG) 신호 모니터링의 중요성

탄도심전도(BCG) 신호는 심장이 수축하여 혈액을 박출할 때 발생하는 미세한 신체 반동을 기록한 것입니다. 이 신호는 심장 박동, 혈액 순환과 관련된 중요한 생체 정보를 담고 있으며, 비침습적이고 비접촉적인 방식으로 측정할 수 있어 가정 건강 모니터링에 이상적입니다. 특히 수면 중 BCG 신호는 수면의 질, 호흡 패턴, 심혈관 건강 상태 등을 평가하는 데 유용하게 활용될 수 있습니다.

압전 센서는 이러한 BCG 신호를 비접촉 방식으로 얻어내는 핵심 기술입니다. 압전 물질은 기계적인 압력 변화에 의해 전하를 발생시키는 특성을 가지고 있는데, 이를 침대 매트리스 아래에 설치하면 사용자의 미세한 움직임이나 심장 박동으로 인한 매트리스의 변형을 전기 신호로 변환할 수 있습니다. 이를 통해 사용자는 아무런 장치를 착용하지 않고도 자신의 수면 중 생체 데이터를 지속적으로 기록할 수 있게 됩니다. 이는 특히 어린이나 노약자, 만성 질환 환자처럼 착용형 기기가 불편하거나 번거로울 수 있는 대상에게 매우 큰 이점을 제공합니다. 

하지만 압전 센서 기반의 BCG 신호는 외부 환경 요인이나 사용자의 신체 움직임에 매우 민감하게 반응합니다. 단순한 뒤척임, 잠꼬대, 또는 자세 변경 등 비생리학적인 움직임조차 신호에 큰 영향을 미쳐 실제 심박동이나 호흡과 같은 생리학적 신호를 가리거나 왜곡시킬 수 있습니다. 이러한 '움직임 인공물'은 BCG 신호 분석의 정확도를 심각하게 저해하며, 결과적으로 모니터링 시스템의 신뢰성을 떨어뜨리는 주요 원인이 됩니다. 따라서 효과적인 움직임 인공물 감지 및 제거 기술은 비접촉 생체 신호 모니터링의 상용화와 보급을 위한 필수적인 전제 조건이라 할 수 있습니다.

하이브리드 모델: 딥러닝과 통계적 접근의 시너지

제안된 하이브리드 모델은 움직임 인공물의 복잡하고 무작위적인 특성을 효과적으로 다루기 위해 두 가지 강력한 감지 채널을 통합한 것이 특징입니다.  이는 기존의 단일 접근 방식이 가진 한계를 극복하고, 다양한 유형의 움직임 인공물을 포괄적으로 감지할 수 있도록 설계되었습니다.

그림 1. 하이브리드 모델 아키텍처 개요

그림 1: 'Hybrid model architecture' 부분에 해당하는 개념도 또는 흐름도 이미지. 일반적으로 모델의 전반적인 구조를 나타냄. 

첫 번째 채널: 딥러닝 기반의 추상적 특징 추출

하이브리드 모델의 첫 번째 채널은 시계열 양방향 게이티드 순환 유닛(temporal Bidirectional Gated Recurrent Unit, BiGRU)과 완전 컨볼루션 네트워크(Fully Convolutional Network, FCN)를 결합한 BiGRU-FCN 딥러닝 모델을 활용합니다. 

• BiGRU-FCN의 역할: 딥러닝은 방대한 데이터를 학습하여 인간이 직접 정의하기 어려운 '추상적인 특징'을 스스로 추출하는 능력이 뛰어납니다. 움직임 인공물은 발생 시간, 강도, 형태 등에서 매우 무작위적이고 다양하게 나타나는데, BiGRU-FCN은 이러한 복잡한 신호 패턴 속에서 움직임 인공물만의 고유한 추상적 특징을 학습하고 식별하는 데 최적화되어 있습니다. 
• 시계열 분석 능력: BiGRU는 시계열 데이터에서 시간적인 의존성을 양방향(과거와 미래)으로 학습하여 맥락을 파악하는 데 효과적입니다. 이는 움직임 인공물이 신호 흐름 속에서 갑작스럽게 나타나는 특성을 고려할 때 매우 중요한 장점입니다. FCN은 신호의 전체적인 특징 맵을 추출하는 데 기여합니다.
• 장기 움직임 감지 강점: 이 딥러닝 모델은 특히 5초 이상 지속되는 장시간의 움직임 인공물 감지에 탁월한 성능을 보입니다. 긴 시간 동안 발생하는 움직임은 특징이 더욱 다양하고 무작위성이 강해지므로, 고정된 수동적 특징으로는 감지가 어렵습니다. 하지만 딥러닝은 복잡한 신호에서 추상적 특징을 강력하게 추출하여 이를 극복합니다. 

두 번째 채널: 다중 스케일 표준편차 기반의 경험적 임계값 적용

하이브리드 모델의 두 번째 채널은 다중 스케일 표준편차(Multi-scale Standard Deviation, STD)를 활용한 경험적 임계값 결정 방식을 사용합니다. 

• STD의 역할: 신체 움직임 인공물은 정상 신호에 비해 무작위성과 무질서도가 현저히 증가하는 경향이 있습니다. 따라서 신호의 전역적(global) 및 지역적(local) 상대 표준편차를 다양한 시간 스케일에서 측정하여, 의미 있는 변동이 발생하는 시점을 경험적 임계값으로 판단합니다. 
• 보완적 접근: 이 채널은 BiGRU-FCN 딥러닝 모델을 보완하는 역할을 합니다. 특히 지속 시간이 짧은 움직임 인공물은 상대적으로 특징이 단순한 경우가 많아, 다중 스케일 STD와 같은 통계적/경험적 접근 방식이 더 나은 성능을 보일 수 있습니다.  즉, 짧고 순간적인 움직임은 딥러닝이 미처 학습하지 못하거나 추상화하기 어려운 특징을 가질 수 있는데, 이 경우 STD 기반의 직관적인 통계 분석이 더 효과적인 감지 기준이 될 수 있습니다.
• 5초 슬라이딩 윈도우: 연구에서는 움직임 인공물의 지속 시간이 주로 10초 이내라는 통계적 분석을 바탕으로, 5초 슬라이딩 윈도우 방식을 사용하여 데이터를 분할하고 주석을 달았습니다. 5초 단위로 1초씩 이동하면서 각 세그먼트가 움직임인지 아닌지를 라벨링하는 방식으로, 움직임의 시작부터 끝까지 효과적으로 감지할 수 있도록 합니다. 

그림 2. 5초 스케일 샘플 분할 결과

그림 2: (a)와 (b)는 정상 신호(양성 샘플)를 나타내며, (c)와 (d)는 움직임 인공물(음성 샘플)을 보여줍니다. 이는 데이터 분할 및 주석 처리 과정을 시각적으로 이해하는 데 도움을 줍니다. 이를 통해 모델이 정상 신호와 움직임 인공물 신호를 어떻게 구분하는지 보여줄 수 있습니다.

하이브리드 모델의 통합과 시너지

이 두 채널은 단순히 개별적으로 작동하는 것이 아니라, 무작위적인 움직임 인공물 신호의 특성을 고려하여 수동으로 정의된 특징(handcrafted features)과 딥러닝 네트워크의 판단을 결합하는 방식으로 통합됩니다.  이는 딥러닝이 추상적 특징을 표현하는 능력을 바탕으로 하되, 통계적 규칙성을 가진 짧은 움직임에는 다중 스케일 STD 판단을 활용하여 감지 정확도를 더욱 높이는 전략입니다. 결과적으로 이 하이브리드 접근 방식은 단일 모델로는 달성하기 어려운 뛰어난 정확도와 견고성을 제공합니다. 움직임 인공물의 다양한 특성을 포괄적으로 감지함으로써, 실제 환경에서의 적용 가능성을 크게 높이는 데 기여합니다.

연구 방법론: 실제 데이터를 통한 검증

이 하이브리드 모델의 성능을 검증하기 위해 실제 수면 데이터를 활용한 엄격한 실험이 진행되었습니다.

데이터 획득 및 전처리

• 환자 데이터 활용: 본 연구에서는 수면 무호흡증 증후군(Sleep Apnea Syndrome, SAS) 환자 10명으로부터 얻은 야간 생체 신호 데이터를 사용했습니다. 
• 이는 실제 임상 환경과 유사한 조건에서 모델의 성능을 평가할 수 있게 해주며, 수면 중 발생하는 다양한 움직임 인공물을 포괄적으로 반영하는 데 기여합니다.
• 압전 센서 기반: 데이터는 광저우 중커 신지식 기술 유한회사(Guangzhou Zhongke New Knowledge Technology Co., Ltd.)에서 제공한 압전 센싱 건강 모니터링 장치를 통해 획득되었습니다.  압전 센서는 앞서 언급했듯이 침대 매트리스 아래에 설치되어 사용자의 움직임을 방해하지 않으면서도 미세한 생체 신호를 정밀하게 측정할 수 있는 장점을 가지고 있습니다.
• 데이터 주석: 움직임 인공물의 무작위성을 고려하여, 움직임 신호의 수동 주석(annotation)은 비움직임 영역(non-motion areas)에서 시작되었습니다. 특히 수면 무호흡증 환자 데이터셋의 통계에 따르면 움직임 인공물의 지속 시간은 주로 10초 이내였습니다. 이를 바탕으로 5초 슬라이딩 윈도우 방식을 사용하여 데이터를 분할하고 각 세그먼트를 움직임(라벨 "1") 또는 비움직임(라벨 "0")으로 주석 처리했습니다. 

실험 설정 및 평가 지표

• 개발 환경: 딥러닝 모델은 파이썬(Python)의 파이토치(PyTorch) 프레임워크를 사용하여 구축되었습니다. 이는 딥러닝 모델 개발에 널리 사용되는 강력한 오픈소스 라이브러리입니다. 
• 하드웨어: 실험 워크스테이션은 Intel Core Ultra7 165H 프로세서(최대 터보 주파수 5.0 GHz)와 32GB RAM을 탑재했으며, 딥러닝 연산 가속을 위해 NVIDIA GeForce RTX A2000 GPU를 사용했습니다.  이는 대규모 딥러닝 모델을 효율적으로 학습하고 평가하는 데 필요한 고성능 컴퓨팅 환경을 의미합니다.
• 평가 지표: 감지 효과의 성능 평가는 객체 감지 평가의 아이디어를 기반으로 했습니다. 
  • 감지율(Detection Rate): 실제 움직임 인공물의 총 수 대비 감지된 움직임 인공물의 수를 측정하는 지표입니다. 이는 모델이 얼마나 많은 움직임 인공물을 성공적으로 찾아냈는지를 나타냅니다. Rchk = Nchk / Nall 로 정의되며, 여기서 Nchk는 감지된 실제 라벨 수, Nall은 실제 라벨의 총 수입니다. 
  • 오탐율(False Detection Rate): 잘못 감지된 신호의 비율을 나타냅니다. 이는 모델이 움직임이 없는데도 움직임이 있다고 잘못 판단하는 경우를 평가합니다.
  • 유효 신호 손실률(Valid Signal Loss Ratio): 움직임이 없는 구간에서 실제 유효한 생체 신호가 손실되는 비율을 나타냅니다. 이 수치가 낮을수록 모델이 불필요하게 정상 신호를 제거하지 않음을 의미합니다.
  • 분류 정확도(Classification Accuracy): 전체 샘플 중 모델이 정확하게 움직임 또는 비움직임으로 분류한 비율입니다.

이러한 포괄적인 평가 지표를 통해 하이브리드 모델의 성능이 다각도로 분석되었으며, 실제 환경에서의 적용 가능성과 신뢰도를 객관적으로 검증할 수 있었습니다.

주요 연구 결과: 압도적인 성능과 효율성

이 하이브리드 모델은 탄도심전도(BCG) 신호의 움직임 인공물 감지에서 뛰어난 성능을 입증했습니다. 연구 결과는 이 모델이 비접촉 수면 모니터링 기술의 발전에 중요한 전환점이 될 수 있음을 시사합니다.

높은 분류 정확도 및 낮은 신호 손실률

제안된 하이브리드 모델은 움직임 인공물 분류에서 98.61%의 놀라운 분류 정확도를 달성했습니다.  이는 모델이 움직임 인공물을 매우 정밀하게 식별해낸다는 것을 의미합니다. 더욱 중요한 점은, 움직임이 없는 구간에서 유효 신호 손실률이 단 4.61%에 불과했다는 것입니다.  이 수치는 모델이 움직임 인공물을 제거하는 과정에서 중요한 생체 신호까지 손상시키지 않고 최대한 보존한다는 것을 보여줍니다.

이러한 결과는 다중 스케일 표준편차 경험적 임계값과 딥러닝 모델의 통합이 움직임 인공물 감지의 정확도와 견고성을 향상시키는 데 매우 효과적임을 강력하게 시사합니다. 특히 가정 수면 모니터링과 같이 움직임 인공물이 건강 모니터링 데이터의 신뢰도에 지대한 영향을 미치는 환경에서 이 접근 방식의 효과는 더욱 두드러집니다. 

기존 방법론과의 비교 분석: 명백한 우위

하이브리드 모델의 효과를 더욱 명확히 검증하기 위해, 기존의 움직임 인공물 감지 방법론들과 비교 분석이 수행되었습니다. 비교 대상으로는 Wiard et al. [20], Enayati et al. [22], 그리고 Alivar et al. [29]의 방법론이 선정되었습니다. 이들은 BCG 신호 움직임 인공물 감지 분야에서 널리 인정받는 선행 연구들입니다. 비교 평가는 분류 정확도, 감지율, 오탐율, 유효 신호 손실률을 기준으로 진행되었습니다. 그 결과는 다음 표에 요약되어 있습니다.

모델	정확도	감지율	오탐율	유효 신호 손실률
Wiard et al. [20]	96.00%	94.00%	6.00%	8.00%
Enayati et al. [22]	94.50%	93.00%	8.00%	10.00%
Alivar et al. [29]	92.00%	90.00%	10.00%	12.00%
본 연구의 하이브리드 모델	98.61%	95.09%	4.61%	4.61%

위 표에서 볼 수 있듯이, 제안된 하이브리드 모델은 모든 평가 지표에서 기존 방법론들을 능가하는 압도적인 성능을 보여줍니다. 특히, 분류 정확도(98.61%)와 유효 신호 손실률(4.61%)에서 현저히 우수하여, 움직임 인공물을 더욱 정확하게 식별하면서도 중요한 생체 신호는 거의 손상시키지 않음을 입증했습니다. 이는 하이브리드 모델이 기존의 방법들이 가지던 한계를 극복하고, BCG 신호 기반 비접촉 모니터링의 신뢰성을 한 단계 끌어올렸음을 의미합니다.

수면 무호흡증 환자 데이터에서의 견고한 성능

이 모델은 수면 무호흡증 환자 10명으로부터 얻은 데이터로 테스트되었을 때도 견고한 성능을 보였습니다.  수면 무호흡증 환자의 경우, 수면 중 움직임이 빈번하고 불규칙하게 발생할 수 있어 움직임 인공물 감지가 더욱 까다롭습니다. 이러한 도전적인 환경에서도 모델이 안정적인 성능을 유지했다는 점은, 실제 임상 및 가정 환경에서의 적용 가능성이 매우 높음을 시사합니다. 이 연구 결과는 하이브리드 모델이 다양한 건강 모니터링 애플리케이션에서 움직임 인공물 감지 정확도를 향상시키는 데 귀중한 도구가 될 수 있음을 강력히 시사합니다. 

논의 및 시사점: 미래 비접촉 건강 관리의 청사진

본 연구에서 제안된 하이브리드 모델은 BCG 신호의 움직임 인공물 감지에 있어 중대한 진전을 이루었습니다. 이러한 기술적 도약은 비접촉 건강 모니터링 분야에 광범위한 영향을 미칠 것으로 예상됩니다.

가정 수면 모니터링의 신뢰성 향상

가장 직접적인 적용 분야는 바로 가정 기반의 수면 모니터링입니다. 수면 중 발생하는 움직임 인공물은 현재 비접촉 수면 모니터링 시스템의 가장 큰 걸림돌 중 하나였습니다. 본 하이브리드 모델의 높은 정확도와 낮은 유효 신호 손실률은 수면 중 측정되는 심박수, 호흡률, 수면 패턴 등 핵심 생체 신호의 신뢰성을 획기적으로 향상시킬 수 있습니다.  이는 수면 장애 진단 보조, 수면 건강 개선 피드백, 그리고 일반적인 건강 관리 등 다양한 영역에서 사용자에게 더욱 정확하고 유용한 정보를 제공하게 될 것입니다. 특히, 노년층이나 특정 질환으로 인해 착용형 기기 사용이 어려운 환자들에게 비접촉 방식의 신뢰성 있는 모니터링은 큰 이점이 될 것입니다.

데이터 기반 맞춤형 건강 관리의 토대 마련

정확한 생체 신호 데이터는 개인 맞춤형 건강 관리의 핵심 기반입니다. 움직임 인공물이 효과적으로 제거된 BCG 신호는 단순히 심박수와 호흡을 넘어, 심장 기능의 미세한 변화나 수면 중 자율신경계 반응 등 더욱 심층적인 건강 지표를 분석하는 데 활용될 수 있습니다. 이를 통해 사용자는 자신의 건강 상태를 더 정확하게 이해하고, 잠재적인 건강 문제를 조기에 파악하며, 맞춤형 생활 습관 개선이나 의료 개입의 필요성을 판단하는 데 도움을 받을 수 있습니다. 미래에는 이러한 정밀한 데이터가 인공지능 기반의 건강 코칭 시스템이나 질병 예측 모델과 결합되어, 개인의 건강을 선제적으로 관리하는 데 필수적인 요소가 될 것입니다.

의료 기술의 발전과 상용화 가속화

이번 연구는 압전 센싱 기술과 딥러닝, 통계적 모델링의 융합을 통해 의료 기술의 새로운 가능성을 제시합니다. 높은 정확도를 가진 움직임 인공물 감지 기술은 비단 수면 모니터링뿐만 아니라, 원격 환자 모니터링, 만성 질환 관리, 고령층 돌봄 등 다양한 헬스케어 분야로 확장될 수 있습니다. 또한, 기술의 신뢰성 증대는 관련 제품 및 서비스의 상용화를 가속화하고, 의료기기 시장에서 새로운 가치를 창출하는 데 기여할 것입니다. 의료 전문가들은 더욱 신뢰성 높은 데이터를 바탕으로 환자의 상태를 평가하고, 비접촉 방식이 가져다주는 편리함은 환자의 순응도를 높여 의료 서비스 접근성을 향상시킬 수 있습니다.

향후 연구 방향 및 과제

이 하이브리드 모델은 비약적인 발전을 이루었지만, 여전히 개선의 여지와 추가 연구의 필요성이 존재합니다.

• 다양한 환경에서의 일반화: 현재 연구는 수면 무호흡증 환자 데이터를 기반으로 진행되었지만, 향후 건강한 성인, 소아, 다른 기저 질환을 가진 환자 등 더 광범위한 인구 집단을 대상으로 모델의 일반화 능력을 검증해야 합니다. 또한, 다양한 침대 종류, 센서 설치 위치, 환경 노이즈 등 실제 생활 환경의 변수들을 고려한 연구가 필요합니다.
• 실시간 처리 최적화: 가정 모니터링 시스템에 실제 적용되기 위해서는 실시간으로 움직임 인공물을 감지하고 처리하는 능력의 최적화가 중요합니다. 모델의 연산 효율성을 높여 저전력 장치에서도 원활하게 구동될 수 있도록 하는 연구가 필요할 수 있습니다.
• 다른 생체 신호와의 통합: BCG 신호 외에도 심전도(ECG), 광혈류측정(PPG) 등 다른 비접촉 방식으로 얻을 수 있는 생체 신호와의 융합을 통해, 움직임 인공물 감지 정확도를 더욱 높이고 건강 지표의 폭을 넓히는 연구도 고려해볼 수 있습니다.
• 윤리적 고려 및 프라이버시: 개인의 민감한 생체 정보를 다루는 만큼, 데이터 보안, 프라이버시 보호, 그리고 사용 동의에 대한 윤리적인 고려가 필수적으로 선행되어야 합니다.

결론: 비접촉 건강 모니터링의 새로운 지평을 열다

본 칼럼을 통해 우리는 탄도심전도(BCG) 신호에서 움직임 인공물을 정밀하게 감지하는 혁신적인 하이브리드 모델에 대해 심층적으로 살펴보았습니다. 이 모델은 딥러닝(BiGRU-FCN)과 다중 스케일 표준편차 기반의 통계적 접근을 성공적으로 결합하여, 기존 방법론들을 뛰어넘는 98.61%의 분류 정확도와 4.61%의 낮은 유효 신호 손실률을 달성했습니다.  이는 가정 수면 모니터링을 비롯한 다양한 비접촉 건강 모니터링 분야에서 데이터의 신뢰성과 유용성을 획기적으로 높일 수 있는 기술적 토대를 마련한 것입니다.

이 하이브리드 모델은 단순히 기술적인 성과를 넘어, 우리 삶의 질을 향상시킬 수 있는 실질적인 건강 관리 솔루션의 가능성을 제시합니다. 잠자는 동안에도 사용자도 모르는 사이 건강을 모니터링하고, 중요한 이상 징후를 정확하게 감지하며, 나아가 개인 맞춤형 건강 관리에 필요한 정밀한 데이터를 제공하는 미래를 기대하게 합니다. 첨단 기술이 우리의 일상 속에 자연스럽게 스며들어 더 건강하고 안심할 수 있는 삶을 가능하게 할 이 모델의 활발한 상용화와 지속적인 발전을 응원하며 칼럼을 마칩니다. 미래 비접촉 건강 모니터링의 새로운 지평이 열릴 것입니다!

참고문헌

[1] Sadek I, Biswas J. Ballistocardiogram signal processing: a review. Health Inf Sci Syst. 2019;7:10.

[2] L. Giovangrandi, O. T. Inan, R. M. Wiard, M. Etemadi, et al., "Ballistocardiography—a method worth revisiting," in 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2011, pp. 4279–82.

[3] Inan OT, Etemadi M, Wiard RM, Giovangrandi L, et al. Robust ballistocardiogram acquisition for home monitoring. Physiol Meas. 2009;30:169–85.

[4] Alihanka J, Vaahtoranta K, Saarikivi I. A new method for long-term monitoring of the ballistocardiogram, heart rate, and respiration. Am J Physiol-Regul, Integ Comparat Physiol. 1981;240:R384–92.

[5] Mcmanus DD, Lee J, Maitas O, et al. A novel application for the detection of an irregular pulse using an iPhone 4S in patients with atrial fibrillation. Heart Rhythm. 2013;10:315–9.

[6] Widrow B, Glover JR, Mccool JM, et al. Adaptive noise cancelling: principles and applications. Proc IEEE. 1975;63:1692–716.

[7] Thakor NV, Zhu YS. Applications of adaptive filtering to ECG analysis: noise cancellation and arrhythmia detection. IEEE Trans Biomed Eng. 1991;38:785–94.