Multivariate Functional Principal Component Analysis for Mixed-Type mHealth Data: An Application to Mood Disorders

이 논문은 연속형, 절단형, 순위형, 이항형 등 다양한 유형의 mHealth 데이터를 통합 분석하기 위해 반모수적 가우시안 코풀라 모델에 기반한 다변량 함수형 주성분 분석 ($M^2$FPCA) 방법을 제안하고, 이를 우울증 하위 유형을 구분하는 디지털 바이오마커 식별에 성공적으로 적용했습니다.

핵심

1. 문제 상황: 혼란스러운 하루의 데이터들

현대인들은 스마트폰과 시계 (웨어러블 기기) 를 통해 하루 종일 다양한 데이터를 남깁니다.

• 기분 (Ordinal): "오늘 슬픈 정도는 1~7 점 중 몇 점일까?" (정수)
• 에너지 (Ordinal): "활력이 얼마나 있을까?" (정수)
• 활동량 (Continuous): "하루 동안 몇 걸음 걸었을까?" (연속적인 숫자)
• 수면/통증 (Truncated/Binary): "통증이 있나? (있음/없음)" 또는 "통증 점수가 0 점 미만이면 0 으로 기록"

이 데이터들은 형식이 다르고, 기록되는 시간도 제각각입니다. 어떤 사람은 아침에, 어떤 사람은 저녁에 기록하죠. 기존 통계 방법은 이런 "혼합된 재료들"을 한 그릇에 섞어 요리하는 데 큰 어려움을 겪었습니다. 마치 달걀, 소금, 그리고 모래를 섞어서 케이크를 만들려고 할 때 생기는 문제와 비슷합니다.

2. 해결책: M2FPCA (혼합형 다변량 함수 주성분 분석)

저자들은 이 문제를 해결하기 위해 M2FPCA라는 새로운 "요리법"을 개발했습니다.

🍳 비유: 모든 재료를 '보이지 않는 소스'로 변환하기

이 방법의 핵심은 모든 다른 형태의 데이터 (기분, 활동량 등) 를 하나의 공통된 '보이지 않는 소스 (잠재적 가우시안 과정)'로 변환하는 것입니다.

1. 변환 (Copula 모델): 각기 다른 재료 (기분 점수, 걸음 수 등) 를 모두 **동일한 언어 (가상적인 연속적인 숫자)**로 번역합니다.
2. 오케스트라 지휘자 (주성분 분석): 이제 번역된 데이터들을 보면, 서로 어떻게 조화를 이루는지 알 수 있습니다.
   • 예: "기분이 나빠질 때 활동량도 줄어드는 패턴"이나 "아침에 에너지가 높다가 저녁에 떨어지는 패턴"을 찾아냅니다.
   • 이를 **주성분 (Principal Components)**이라고 부르는데, 이는 오케스트라에서 가장 중요한 멜로디를 찾아내는 것과 같습니다.

3. 두 가지 요리법: 정교함 vs 속도

이 연구는 두 가지 버전의 방법을 제안합니다.

• M2FPCA (정교한 요리): 모든 데이터 간의 관계를 아주 세밀하게 분석합니다. 정확하지만 계산량이 많아 시간이 오래 걸립니다. (모든 악기 소리를 개별적으로 분석)
• ps-M2FPCA (빠른 요리): "하루의 패턴은 모든 영역에서 비슷하게 흐른다"는 가정을 통해 계산을 대폭 줄였습니다. 정확도는 거의 유지하면서 훨씬 빠르게 결과를 냅니다. (오케스트라 전체의 흐름을 한 번에 파악)

4. 실제 적용: 우울증과 조울증의 '디지털 지문'

이 방법을 **미국 국립정신건강원 (NIMH)**의 307 명 참가자 데이터에 적용해 보았습니다. 참가자들은 하루 종일 기분, 불안, 에너지, 활동량을 기록했습니다.

결과적으로 발견된 3 가지 중요한 '하루 패턴 (디지털 지문)'은 다음과 같습니다:

1. 첫 번째 멜로디 (FPC1): "전체적인 부담과 활동량"
   • 기분이 나쁘고 불안할수록 활동량이 줄어드는 전반적인 무거움을 나타냅니다.
2. 두 번째 멜로디 (FPC2): "아침과 밤의 차이 (생체 리듬)"
   • 아침에는 에너지가 높고 밤에는 낮아지는 자연스러운 흐름입니다.
   • 우울증 (MDD) 환자는 이 흐름이 매우 약했습니다. (아침과 밤의 에너지 차이가 거의 없음)
   • 조울증 (Bipolar) 환자는 이 흐름이 특이하게 나타났습니다.
3. 세 번째 멜로디 (FPC3): "정오의 피크"
   • 한낮에 정점을 찍는 패턴으로, 조울증 환자에게서 두드러지게 나타났습니다.

5. 왜 이것이 중요한가요?

기존에는 "우울한가?"라고 단순히 점수만 매겼다면, 이 방법은 **"당신의 하루 리듬이 어떻게 흐르는가?"**를 분석합니다.

• 정밀 의학 (Precision Psychiatry): 단순히 "우울하다"가 아니라, "우울증의 하위 유형 (조울증 1 형, 2 형, 주요우울장애 등) 을 구분"할 수 있게 해줍니다.
• 디지털 바이오마커: 스마트폰과 시계로 수집한 데이터만으로, 의사가 눈으로 보지 않아도 환자의 상태를 정밀하게 진단할 수 있는 새로운 도구가 된 것입니다.

요약

이 논문은 서로 다른 형태의 복잡한 건강 데이터 (기분, 활동량 등) 를 하나의 공통된 언어로 번역하여, 우리 몸과 마음이 하루 동안 어떻게 움직이는지 '멜로디'처럼 찾아내는 기술을 개발했습니다. 이를 통해 우울증과 조울증의 미세한 차이를 구별할 수 있게 되었고, 앞으로 더 정확한 정신 건강 진단과 치료에 기여할 것으로 기대됩니다.

한 줄 요약: "서로 다른 언어로 된 하루의 데이터들을 하나로 묶어, 정신 질환의 숨겨진 '리듬'을 찾아내는 새로운 나침반을 만들었습니다."

기술 요약

논문 요약: 혼합 유형 mHealth 데이터를 위한 다변량 함수형 주성분 분석 (M2FPCA)

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 최신 모바일 헬스 (mHealth) 연구는 생태적 순간 평가 (EMA) 를 통한 자기 보고식 데이터 (기분, 에너지, 통증 등) 와 웨어러블 센서를 통한 수동 수집 데이터 (수면, 신체 활동) 를 결합합니다.
• 데이터 특성: 이러한 데이터는 시간 (하루 중) 에 따라 기록되며, 다음과 같은 혼합 유형 (Mixed-Type) 측정 척도를 가집니다.
  • 연속형 (Continuous): 신체 활동 (가속도계 데이터)
  • 절단형 (Truncated): 통증 (0 이상 값만 관측)
  • 순서형 (Ordinal): 기분, 불안, 에너지 (Likert 척도)
  • 이항형 (Binary): 일상 사건 발생 여부
• 문제점: 기존 함수형 데이터 분석 (FDA) 및 다변량 주성분 분석 (MFPCA) 방법은 주로 연속형 가우시안 데이터를 가정합니다. 따라서 불규칙한 시간 간격으로 관측되고, 다양한 척도 (이항, 순서형 등) 가 혼재된 mHealth 데이터의 **공동 분산 구조 (Joint dependence structure)**를 적절히 모델링하거나 차원 축소를 수행하는 데 한계가 있습니다.

2. 제안된 방법론 (Methodology)

저자들은 **혼합 유형 다변량 함수형 주성분 분석 (M2FPCA)**을 제안하며, 이는 반모수적 가우시안 코풀라 (Semiparametric Gaussian Copula) 모델에 기반합니다.

• 모델링 프레임워크 (MGLNPP):
  • 관측된 혼합형 데이터는 **다변량 일반화 잠재적 비정규 과정 (Multivariate Generalized Latent Nonparanormal Process, MGLNPP)**에서 생성된다고 가정합니다.
  • 잠재 과정: 관측 데이터는 잠재적인 다변량 가우시안 과정 ($V$) 에서 유래하며, 각 구성 요소는 단조 변환 함수를 거쳐 연속형 잠재 과정 ($Z$) 으로 매핑됩니다.
  • 관측 맵: $Z$는 구성 요소별 유형 (이항, 순서형, 절단형, 연속형) 에 맞는 임계값 (threshold) 또는 절단 함수를 거쳐 최종 관측 데이터 ($X$) 가 됩니다.
• 추정 전략:
  • Kendall's $\tau$ 브리징: 관측 데이터가 이산형이거나 비가우시안일 경우 직접적인 공분산 추정이 불가능하므로, 단조 변환에 불변인 Kendall's $\tau$를 사용하여 잠재 가우시안 과정의 상관 구조를 반모수적으로 추정합니다.
  • 두 가지 공분산 추정 절차:
    1. M2FPCA (Blockwise Estimator): 모든 잠재 공분산 및 교차 공분산 표면을 블록 단위로 추정하여 완전한 다변량 MFPCA 를 수행합니다. 가장 유연하지만 계산 비용이 높습니다 ($O(J^3|S|^3)$).
    2. ps-M2FPCA (Partially Separable): 부분 분리성 (Partial Separability) 가정을 도입합니다. 즉, 모든 도메인 (변수) 이 공유하는 시간적 고유함수 ($\phi_\ell$) 를 가정하여 계산 효율성을 높입니다 ($O(J|S|^3)$). 이는 변수 수 ($J$) 가 클 때 유용합니다.
• 예측: 잠재 가우시안 과정에 대한 **최적 선형 예측 (BLUP)**을 사용하여 개별 참여자의 매끄러운 함수형 주성분 점수 (FPC scores) 를 추정합니다.

3. 주요 기여 (Key Contributions)

1. 통일된 확률론적 프레임워크: 연속형, 절단형, 순서형, 이항형 데이터를 모두 포함하는 다변량 함수형 데이터를 모델링하기 위한 MGLNPP를 도입했습니다.
2. 반모수적 의존성 추정: Kendall's $\tau$ 브리징을 활용하여 잠재적인 시간적 및 변수 간 의존성을 효과적으로 추정하는 방법을 개발했습니다.
3. 계산 효율성 및 해석 가능성:
   • 완전한 다변량 추정 (M2FPCA) 과 계산 효율적인 부분 분리 추정 (ps-M2FPCA) 두 가지 방법을 제시했습니다.
   • 추정된 잠재 주성분 점수를 **참여자가 특정 디지털 바이오마커 (Digital Biomarkers)**로 활용 가능하게 하여, 여러 행동 도메인 간의 조율된 역동성을 요약합니다.

4. 연구 결과 (Results)

• 시뮬레이션 연구:
  • 정상 (Stationary) 및 비정상 (Non-stationary) 공분산 구조를 가진 다양한 시나리오에서 M2FPCA 와 ps-M2FPCA 의 성능을 평가했습니다.
  • 성능: 제안된 방법들은 기존 MFPCA (연속형 데이터 전용) 에 비해 공분산 함수 추정의 통합 제곱 오차 (ISE) 가 훨씬 낮았습니다 (최대 20 배 이상 개선). 특히 비정상 공분산 구조에서 ps-M2FPCA 는 M2FPCA 와 유사한 성능을 보이며 계산 효율성을 입증했습니다.
• 실제 데이터 적용 (NIMH 가족 연구):
  • 데이터: 기분 장애 스펙트럼 연구에 참여한 307 명 (정상군, 주요우울장애, 양극성 장애 I/II 형) 의 14 일간 EMA 및 가속도계 데이터 분석.
  • 주요 발견:
    • FPC1 (64% 설명력): 일일 증상 부담 및 활동량의 전반적인 축을 나타냄.
    • FPC2 (12% 설명력): 아침부터 저녁까지의 단조로운 대비 (가정적 수면 압력 증가).
    • FPC3 (6% 설명력): 정오 부근에 정점을 이루는 역 U 자형 패턴 (일주기 리듬 영향).
  • 진단 분류 (LASSO 회귀):
    • 불안 (Anxiousness): FPC1 및 FPC2 의 평균과 변동성이 모든 기분 장애 (우울, 양극성 I/II) 와 유의미하게 연관됨.
    • 신체 활동 (TLAC): 양극성 I 형은 활동량의 평균이 낮음, 양극성 II 형은 아침 - 저녁 활동 기울기 (FPC2) 와 양의 상관관계.
    • 에너지 (Energy): 주요우울장애 (MDD) 와만 선택적으로 연관됨 (낮은 에너지 기울기 및 변동성 감소).
    • 기분 (Sad Mood): 단순한 슬픔의 심각도보다는 전체 기분 순환 (Anxiousness, Energy 등) 의 역동적 패턴이 하위 유형을 구분하는 데 더 중요함.

5. 의의 및 결론 (Significance)

• 방법론적 의의: 기존에 분리되어 분석되던 다양한 유형의 mHealth 데이터를 통합적으로 분석할 수 있는 강력한 통계적 도구를 제공했습니다. 불규칙한 샘플링과 혼합 척도 문제를 해결하여 잠재된 생물학적/심리적 과정을 더 정확하게 포착합니다.
• 임상적 의의:
  • 제안된 잠재 함수형 점수는 **정밀 디지털 정신의학 (Precision Digital Psychiatry)**을 위한 디지털 바이오마커로 활용 가능합니다.
  • 기분 장애의 하위 유형 (우울증 vs 양극성 장애) 을 구별하는 데 있어, 단순한 증상 점수가 아닌 **시간에 따른 행동 역동성 (Diurnal dynamics)**의 중요성을 입증했습니다.
  • 특히 '불안'과 '에너지'의 일중 패턴이 기분 장애의 병리 기전을 이해하고 환자를 계층화 (Stratification) 하는 데 핵심적인 역할을 함을 보였습니다.

이 연구는 웨어러블 기술과 통계적 모델링을 결합하여 정신 건강 질환의 객관적이고 정량적인 진단 및 예측 체계를 구축하는 중요한 걸음으로 평가됩니다.