스마트워치와 같은 웨어러블 기기는 단순한 피트니스 추적기에서 벗어나, 과거에는 병원에서나 가능했던 신체 리듬에 대한 창을 제공하는 강력한 지속적 건강 모니터링 도구로 진화했습니다. 이러한 장치들은 심박수, 수면 단계, 움직임과 같은 데이터를 꾸준히 수집하여 한 개인의 생리적 상태에 대한 상세한 타임라인을 생성합니다. 그러나 이 데이터는 결코 완벽하지 않습니다. 센서가 피부에서 떨어지거나, 배터리가 방전되거나, 연결이 끊겨 타임라인에 공백이 생길 수 있습니다. 이러한 공백이 발생할 때는 종종 덩어리째로 나타납니다. 예를 들어 센서가 접촉을 잃으면 단 하나의 숫자만 건너뛰는 것이 아니라 여러 번의 측정을 동시에 중단하게 됩니다. 이 불완전한 그림을 이해하기 위해 과학자들은 컴퓨터 모델을 사용하여 누락된 부분을 채우는데, 이를 '대치(imputation)'라고 합니다. 채워진 값의 품질은 매우 중요한데, 이는 발작을 예측하거나 감염을 감지하는 것과 같은 향후 건강 예측의 토대가 되기 때문입니다. 만약 모델이 잘못된 추측을 한다면, 그 위에 구축된 전체 건강 분석이 잘못될 수 있습니다.

수년간 연구자들은 누락된 데이터가 창문에 떨어지는 빗방울처럼 무작위로 발생한다고 가정하는 방식으로 이러한 채우기 모델들을 테스트해 왔습니다. 그들은 완전한 데이터셋을 가져와 몇 개의 지점을 무작위로 지운 뒤, 모델이 이를 다시 맞출 수 있는지 확인했습니다. 그러나 이 방식은 웨어러블 기기가 실제로 어떻게 고장 나는지를 반영하지 못합니다. 현실 세계에서 센서가 끊기면, 여러 측정값이 함께 사라지는 길고 연속적인 공백이 남는 경우가 많습니다. 스카이 구드먼(Skye Goodman)과 동료들(브리스톨 대학교, 맨체스터 대학교, 버밍엄 대학교)의 새로운 연구는 이러한 기존의 테스트 방식을 반박합니다. 연구진은 가민(Garmin) 스마트워치를 착용한 간질 환자의 데이터를 분석하여, 이러한 현실적인 덩어리 형태의 공백을 모방하는 새로운 테스트 프로토콜을 개발했습니다. 그들은 기존의 표준적인 테스트 방식이 모델의 진정한 약점과 강점을 숨기고 있었으며, 모델을 훈련하고 테스트하는 방식을 바꾸는 것만으로도 성능을 극적으로 향고할 수 있다는 것을 발견했습니다.

연구진은 먼저 데이터셋에서 발생하는 누락 데이터의 특정 패턴을 연구했습니다. 그들은 시계가 기록하는 9가지 서로 다른 건강 지표가 독립적으로 실패하지 않는다는 것을 발견했습니다. 대신, 이 지표들은 그것을 생성하는 하드웨어와 밀접하게 연결되어 있었습니다. 예를 들어, 심박수, 심박 간격, 스트레스 점수는 모두 손목의 광학 센서에 의존합니다. 따라서 해당 센서가 접촉을 잃으면 이 모든 측정값이 동시에 사라집니다. 반면, 걸음 수는 다른 센서인 가속도계에서 오며, 가속도계는 자체적인 실패 패턴을 가지고 있었습니다. 또한 공백의 길이도 매우 다양했습니다. 어떤 기능은 짧고 단발적인 탈락을 보였지만, 심박수와 같은 다른 기능은 몇 시간 동안 지속되는 긴 중단 현상을 겪었습니다. 연구팀은 단일하고 균일한 테스트 방법으로는 이러한 복잡성을 포착할 수 없다는 점을 깨달았습니다. 그들은 실제 세계의 이러한 덩어리 형태의 누락을 포착할 수 있도록 훈련 데이터에서 이러한 공백을 추출하여, 이를 전형적, 보통, 심각함이라는 범주로 분류한 뒤, 이 정확한 패턴들을 테스트 데이터에 주입하는 새로운 평가 시스템을 만들었습니다. 이를 통해 모델들이 현실 세계에서 직면하게 될 것과 같은 종류의 까다로운 덩어리형 누락을 대상으로 테스트받을 수 있도록 보장했습니다.

연구진이 이 현실적인 프로토콜을 적용했을 때 결과는 놀라웠습니다. 그들은 복잡한 시계열 데이터를 처리하도록 설계된 BRITS와 SAITS라는 두 가지 고급 딥러닝 모델을 테스트했습니다. 기존의 무작위 테스트 방식 하에서는 이 모델들이 꽤 괜찮은 성능을 보이는 것처럼 보였습니다. 그러나 현실적인 덩어리형 공백을 대상으로 테스트했을 때, 이들의 성능은 크게 떨어졌으며, 이는 모델들이 과도하게 자신만만했음을 드러냈습니다. 연구는 이 모델들이 누락된 값이 무작위로 흩어져 있는 데이터로 훈련되었기 때문에, 데이터 블록 전체가 사라지는 상황을 다루는 법을 배우지 못했다는 것을 보여주었습니다. 이를 해결하기 위해 연구팀은 모델이 학습 단계에서부터 동일한 현실적인 블록 스타일의 누락에 노출되도록 훈련 과정을 조정했습니다. 이 간단한 변화는 엄청난 효과를 가져왔습니다. 가장 심각한 공백 시나리오에서 BRITS 모델의 오류율이 43% 감소했습니다. 이 개선은 사소한 수정이 아니었습니다. 이는 현실적인 조건에서 고전하던 모델을 견고하게 작동하는 모델로 탈바꿈시킨 것이었습니다.

또한 이 연구는 모든 상황에 최선인 단 하나의 모델은 없다는 점을 밝혀냈습니다. 연구진은 최선의 접근 방식이 데이터의 유형과 공백의 길이에 따라 완전히 달라진다는 것을 발견했습니다. 일일 걸음 수나 신체 에너지 점수처럼 천천히 변하는 특징의 경우, 마지막 알려진 지점과 다음 지점 사이에 직선을 긋는 선형 보간법(linear interpolation)이라는 고전적인 방법이 특히 짧은 공백에서 더 정확한 경우가 많았습니다. 그러나 심박수와 같이 역동적이고 빠르게 변하는 신호의 경우에는 고급 딥러لار닝 모델이 특히 공백이 길 때 훨씬 더 우수했습니다. 연구진은 또한 시간대와 신체의 자연스러운 일주기 리듬에 대한 정보를 추가하는 것이 데이터가 누락되었을 때 모델이 더 나은 추측을 하는 데 도움이 된다는 것을 발견했습니다. 이는 특히 BRITS 모델에서 두드러졌는데, 이러한 시간 기반의 단서들이 포함되었을 때 심박수와 수면 데이터에 대한 정확도가 크게 향상되었습니다.

흥미롭게도, 이 연구는 정확도와 데이터의 형태 사이의 트레이드오프(trade-off)를 강조했습니다. 확장된 BRITS 모델은 누락된 지점의 정확한 값을 추측하는 데 더 뛰어났던 반면, SAITS 모델은 데이터의 전체적인 통계적 형태를 보존하는 데 더 뛰어났습니다. 이러한 차이는 의료 분야에서 매우 중요합니다. 평균값을 추측하는 모델은 평균적으로는 정확할 수 있지만, 발작 전에 흔히 나타나는 심박수의 급격한 상승과 같은 드물고 극단적인 사건을 포착하는 데 실패할 수 있습니다. 연구진은 두 모델 모두 이러한 극단적인 꼬리 부분(extreme tails)을 매끄럽게 만드는 경향이 있으며, 이는 의사들이 꼭 봐야 할 신호를 숨길 잠재적 위험이 있다고 발견했습니다. 이는 모델이 강력하긴 하지만, 결정적인 생명을 구하는 이상 징후를 놓치지 않도록 정교화 작업이 여전히 필요함을 시사합니다.

이 논문의 결과는 미래의 웨어러블 건강 기술에 명확한 메시지를 전달합니다. 모델을 테스트하는 방식은 모델 그 자체만큼이나 중요합니다. 비현실적이고 무작위적인 테스트 방식은 잘못된 안도감을 주며 기술의 진정한 역량을 가립니다. 센서가 고장 나는 방식의 무질서하고 덩어리진 현실을 모방하는 프로토콜을 채택함으로써, 연구자들은 공백을 메우는 더 나은 전략을 개발할 수 있습니다. 연구는 모든 상황에 적합한 단 하나의 "최고" 모델은 존재하지 않으며, 대신 느린 데이터에는 단순한 선을, 역동적인 신호에는 복잡한 신경망을 사용하는 것처럼 각 작업에 맞는 적절한 도구를 선택하는 하이브리드 시스템이 가장 효과적일 것이라고 결 결론짓습니다. 보편적인 해결책을 찾는 것에서 벗어나 데이터의 미묘한 차이를 이해하는 방향으로의 이러한 관점 전환은, 미래의 더 신뢰할 수 있고 효과적인 건강 모니터링 시스템을 구축하기 위한 결정적인 단계입니다.