A Wearable Device Dataset for Mental Health Assessment Using Laser Doppler Flowmetry and Fluorescence Spectroscopy Sensors

기술 요약: 레이저 도플러 유속계 및 형광 분광법 센서를 이용한 정신 건강 평가용 웨어러블 기기 데이터셋

문제 정의
우울증, 불안, 스트레스와 같은 정신 건강 상태에 대한 현재의 평가는 주로 주관적인 자기 보고형 설문지와 심박 변이도(HRV) 및 전기 피부 활동(EDA)과 같은 제한된 생리학적 양상에 크게 의존하고 있습니다. 이러한 접근 방식은 주관적 보고에 대한 의존도, 제한된 센서 역량, 그리고 작거나 동질적인 데이터셋의 보편성 문제로 인해 일반화 측면에서 어려움에 직면해 있습니다. 또한, 기존의 웨어러블 양상은 심리적 상태의 간접적인 지표를 제공하는 경우가 많으며, 움직임에 의한 아티팩트(motion artifacts), 주변 온도, 피부 수분도와 같은 혼란 변수에 매우 민감합니다. 따라서 확장 가능한 모니터링을 지원하기 위해 스트레스 관련 정신 건강 상태의 직접적인 생리학적 징후를 포착할 수 있는 객관적이고 비침습적인 도구가 필요합니다.

연구 방법론
본 연구는 19개국에서 모집된 132명의 성인(연령 18~94세, 여성 58%)을 대상으로 한 전향적 관찰 연구를 제시합니다. 데이터 수집 프로토콜은 다음 네 단계로 구성되었습니다:

1. 모집 및 선별: 참가자들은 손이나 손가락 끝에 영향을 미치는 피부 질환이 있는지를 확인하는 선별 과정을 거쳤습니다.
2. 웨어러블 센싱: 레이저 도플러 유속계(LDF)와 형광 분광법(FS)을 결ما 결합한 비침습적 웨어러블 기기를 사용하여 손가락 끝 신호를 측정했습니다. 참가자들은 휴식 상태를 보장하기 위해 8분 동안 누운 자세(supine position)를 유지했습니다.
   • LDF: 미세혈관 관류 및 혈류 조절 메커니즘을 포착했습니다. 신호는 적응형 웨이브렛 분석(복소수 모를렛 웨이브렛)을 사용하여 다섯 가지 대역(내피 기능 대역(0.0095–0.02 Hz), 신경성 대역(0.02–0.06 Hz), 근성 대역(0.06–0.16 Hz), 호흡 대역(0.16–0.4 Hz), 심장 대역(0.4–1.6 Hz))에 걸쳐 주파수 영역 특징을 추출했습니다.
   • FS: 조직 형광 스펙트럼을 기록하여 NADH 및 FAD와 같은 코엔자임과 최종당화산물(AGEs)의 축적을 포함한 대사 활동을 평가했습니다.
3. 인체 계측 및 인구 통계: 키, 몸무게, 심박수 및 기타 생활 습류 요인을 기록했습니다.
4. 심리 평가: 참가자들은 우울 불안 스트레스 척도(DASS-21)인 21개 항목의 설문지를 작성했습니다. 점수는 "정상"(웰빙) 그룹과 "비정상"(스트레스 상태) 그룹, 그리고 다중 클래스 심각도 수준(정상, 경도, 중등도, 고도, 매우 심각)으로 분류되었습니다.

머신러닝 및 분석 프레임워크
본 연구는 피험자별 일반화 가능성을 보장하기 위한 엄격한 검증 체계 하에 다양한 머신러닝 아키텍처(Support Vector Machine, Random Forest, Gradient Boosting, CatBoost, LightGBM, Multi-layer Perceptron)를 평가했습니다.

• 검증 전략: 동일한 참가자의 데이터가 훈련 및 테스트 세트에 모두 포함되어 발생하는 데이터 누출(data leakage)을 방방지하기 위해 80:20 무작위 분할, 5-겹 교차 검증(5-fold cross-validation), 그리고 Leave-One-Patient-Out (LOPO) 검증을 사용했습니다.
• 분류 작업: 이진 분류(정상 vs 비정상)와 다중 클래스 분류(심각도 수준)를 모두 수행했습니다.
• 특징 선택(Feature Selection): 모든 특징을 사용한 경우, 웨어러블 유래 특징만을 사용한 경우, 그리고 상위 10개 중요 특징만을 사용한 경우에 대한 실험을 진행했습니다.
• 설명 가능한 AI (XAI): LightGBM 모델을 해석하기 위해 SHAP(Shapley Additive Explanations) 값을 사용하여 어떤 생리학적 및 인구 통계적 특징이 예측을 주도하는지 식별했습니다.

주요 기여

1. 데이터셋 구축: 저자들은 LDF 및 FS 신호를 DASS-21 검증 결과와 통합하여, 정신 건강 연구를 위한 가장 크고 체계적으로 특성화된 다중 모드 데이터셋 중 하나를 구축했습니다.
2. 모델 벤치마킹: 다중 모드 생리학적 분류를 위한 엄격한 머신러닝 모델 평가를 수행하여, 앙상블 기반 모델(특히 LightGBM)이 이 특징 공간 내에서 강력한 일반화 성능을 제공함을 입증했습니다.
3. 해석 가능성: 연구는 XAI를 활용하여 "블랙박스를 열어봄으로써", 스트레스 관련 증상과 관련된 특정 생리학적 징후(미세순환 변동성 및 대사 형광)와 인구 통계적 요인을 식별했습니다.

결과

• 이진 분류 성능: 피험자별 검증(LOPO) 하에서, 앙상블 모델은 ROC 곡선 아래 면적(ROC AUC) 0.72, 정밀도-재현율 AUC(Precision-Recall AUC) 0.89를 기록하며 스트레스 관련 증상이 있는 개인과 그렇지 않은 개인을 구별해 냈습니다. LightGBM이 일관되게 가장 우수한 성능을 보였습니다.
• 다중 클래스 분류: 모델들이 무작위 80:20 분할에서는 완벽에 가까운 점수(예: LightGBM ROC AUC ~0.99)를 달성했지만, LOPO 검증 하에서는 성능이 크게 하락(Macro ROC AUC ~0.57)했습니다. 이는 특정 심각도 수준에 대한 피험자 간 일반화의 어려움을 보여줍니다.
• 특징 중요도: SHAP 분석 결과 체질량 지수(BMI), 연령, 성별, 심박수가 가장 영향력 있는 특징으로 식별되었습니다.
  • 인구 통계: 통계 분석 결과, 여성 참가자가 남성보다 유의미하게 높은 고통 수준을 보고하는 것으로 확인되었습니다. 중년층(25~45세)은 젊은 층이나 노년층에 비해 높은 스트레스 점수를 보였습니다.
  • 생리학: 미세순환 변동성 및 대사 형광 특징이 예측 성능에 실질적으로 기여했습니다.
• 상위 10개 특징: 상위 10개 중요 특징만을 활용했을 때 효율성이 향가되었으며, 성능 지표를 유지하거나 약간 개선했습니다(예: 5-겹 검증 시 LightGBM ROC AUC 0.7168). 이는 축소된 특징 집합이 실제 배포에 실행 가능하다는 것을 시사합니다.

의의 및 주장
본 논문은 웨어러블 광학 센싱이 해석 가능한 머신러닝과 결래될 때, 스트레스 관련 정신 건강 상태와 연관된 생리학적 징후를 제공한다고 주장합니다. 이 프레임워크는 객관적인 정신 건강 모니터링을 위한 확장 가능한 데이터 기반 도구 개발을 지원합니다.

저자들은 본 데이터셋이 다양하고 다중 모드이지만, 임상적 진단 측면에서는 제한적이라는 점을 강조합니다. DASS-21 점수는 지난 일주일간의 자기 보고된 증상을 반영하며 임상적 진단을 구성하지 않습니다. 피험자 독립적 검증(LOPO) 하에서의 상당한 성능 저하는 생리학적 신호의 높은 개별 간 변동성을 강조합니다. 결과적으로, 저자들은 향촉 연구가 개인 간 일반화를 개선하기 위해 피험자 불변 표현 학습(subject-invariant representation learning)과 더 큰 규모의 다기관 연구를 우선시해야 한다고 결론지었습니다. 본 연구는 미세혈관/대사 생리학과 심리적 상태 사이의 간극을 메우며, 비침습적이고 객관적인 정신 건강 모니터링을 향한 기초적인 단계로서 역할을 합니다.