Evaluating Open-Source Wrist-Worn Accelerometer Models for Sedentary Time Detection Against Thigh-Worn Accelerometer Data

기술 요약: 좌식 시간 탐지를 위한 오픈 소스 손목 착용 가속도계 모델 평가

문제 제lemnt (Problem Statement)
손목 착용 가속도계는 확장성과 비용 효율성 덕분에 대규모 역학 연구 및 소비자 환경에서 널리 채택되고 있습니다. 그러나 자세(앉기/눕기 vs. 서기)를 직접 추론하여 좌식 행동의 "실버 스탠다드(silver standard)" 역할을 할 수 있는 허벅지 착용 장치와 달리, 손목 착용 장치는 일반적으로 낮은 움직임 강도를 기반으로 좌식 시간을 추론합니다. 이러한 한계는 자유 생활 환경에서 손목 유래 좌식 추정치의 정확성에 대한 불확실성을 높입니다. 기존 연구들은 손목과 허벅지 모니터 간의 일일 평균 좌식 시간에 대해 광범위한 동등성을 시사해 왔으나, 이러한 결과는 종종 작은 표본에 의존하고 있습니다. 또한, 상세한 좌식 특성(예: 장기 좌식 구간의 빈도 및 해당 구간에서 보내는 시간의 비율)에 관한 손목 기반 모델의 구성 타당성(construct validity)은 여전히 제대로 규명되지 않았습니다. 아울러, 다양한 인구통계학적 하위 그룹에서의 다양한 오픈 소스 활동 인식 모델의 성능과, 수면을 좌식 시간으로 오분류하는 특정 문제에 대한 추가적인 조사가 필요합니다.

방법론 (Methodology)
본 연구는 영국에 거주하는 662명의 근로 연령 성인(평균 연령 45세, 여성 72%)이 참여한 클러스터 무작위 대조 시험인 SMART Work & Life (SWAL) 연구의 베이스라인 데이터를 활용하였습니다. 참가자들은 최대 8일 동안 두 개의 가속도계를 동시에 착용했습니다: 허벅지 착용형 activPAL3 micro (참조 표준) 및 손목 착용형 Axivity AX3.

• 참조 표준 (Reference Standard): 허벅지 데이터는 독점 소프트웨어인 PALbatch(CREA 알고리즘 v1.3)를 사용하여 1초 단위 분류를 생성했습니다. 본 분석에서 좌식 행동은 이차적 누운 자세(secondary lying), 좌식(비차량 앉기), 또는 차량 내 앉기(vehicle sitting)로 분류된 에포크(epoch)로 정의되었습니다.
• 평가된 손목 모델 (Wrist Models Evaluated): 여섯 가지 오픈 소스 활동 인식 모델이 손목 데이터에 적용되었습니다:
  • 머신러닝 모델: OxWearables 'Accelerometer' (balanced random forest + HMM), OxWearables 'ActiNet' (HARNet 딥러닝 모델 + HMM), Actimetric 'Trost' (random forest).
  • 컷포인트 기반 모델 (Cutpoint-Based Models): 'GGIR' R 패키지를 통해 구현된 세 가지 변형: Default (ENMO 임계값 40mg), Bakrania (ENMO 임계값 32.8mg), Fraysse (ENMOabs 임계값 62.5mg).
• 데이터 조화 (Data Harmonization): 모든 모델 출력은 30초 에포크로 조화되었습니다.
• 평가 지표 (Evaluation Metrics):
  • 에포크 수준 (Epoch-Level): 허리 참조 표준에 대한 정확도(Accuracy), F1 점수, 코헨 카파(Cohen's kappa), 민감도(sensitivity) 및 특이도(specificity).
  • 참가자 수준 (Participant-Level): 일일 평균 좌식 시간, 일일 평균 장기 좌식 구간(30분 이상 지속되며 중단이 90초 이하인 구간)의 횟수, 그리고 장기 구간 내 좌식 시간의 비율에 대한 일치도. 동등성은 평균 차이와 90% 신뢰 구간이 허리 유래 평균의 ±10% 이내에 있을 때 결정되었습니다.
• 분석 (Analyses): 성능은 하위 그룹(연령, 성별, BMI, 계절, 모집 센터)에 따라 평가되었으며, 수면 오분류 문제를 완화하기 위해 깨어 있는 시간(08:00–22:00)으로 제한한 민감도 분석을 수행했습니다.

주요 결과 (Key Results)

• 모델 성능 (Model Performance): ActiNet 머신러닝 모델이 가장 높은 전반적인 성능을 보였습니다. 이 모델은 평균 참가자당 정확도 0.87 (±0.05), F1 점수 0.85 (±0.06), 코헨 카파 0.73 (±0.09)을 달 기록했습니다. 반면, 컷포인트 기반 접근 방식은 낮은 정확도(약 0.80)를 보였고, Actimetric Trost 모델은 가장 낮은 성능(정확도 0.73)을 보였습니다.
• 유도된 지표에 대한 일치도 (Agreement on Derived Metrics):
  • 일일 좌식 시간: 모든 손목 모델은 허리 참조 표준(8.8시간/일)에 비해 일일 좌식 시간을 과대평가했습니다. 오직 ActiNet 모델만이 이 지표에 대해 ±10% 동등성 영역 내에 포함되었습니다.
  • 장기 구간 (Prolonged Bouts): 여섯 가지 모델 모두 동등성 영역 내에서 일일 장기 구간 횟수 추정치를 생성했으나, ActiNet이 가장 낮은 오차(RMSE/MAE)와 가장 높은 상관관계를 보였습니다.
  • 장기 구간 내 비율: 오직 ActiNet만이 장기 좌식 시간의 비율에 대해 동등성 경계 내에 완전히 들어오는 추정치와 신뢰 구간을 생성했습니다.
• 하위 그룹 및 민감도 분석 (Subgroup and Sensitivity Analysis): 모델의 순위는 모든 인구통계학적 하위 그룹(연령, 성별, BMI 등)에서 일관되게 유지되었습니다. 깨어 있는 시간(08:00–22:00)으로 제한한 민감도 분석에서 ActiNet 모델의 F1 점수는 0.88로 약간 개선되었습니다. 깨어 있는 시간으로 제한하는 것은 대부분의 모델에서 좌식 행동으로의 수면 오분류를 제거함으로써 좌식 시간의 과대평가를 줄였습니다.

의의 및 주장 (Significance and Claims)
저자들은 본 연구가 지금까지 수행된 좌식 행동에 대한 손목 착용 가속도계의 단일 평가 중 최대 규모이며, 총 일일 시간을 넘어 유도된 지표에 대한 동등성을 평가한 첫 번째 연구라고 주장합니다. 본 연구의 주요 의의는 적절한 머신러닝 모델을 사용할 경우, 손목 착용 가속도계가 자유 생활 환경에서 좌식 행동을 정확하게 측정할 수 있다는 증거를 제공한다는 점에 있습니다. 구체적으로, ActiNet 모델은 유사한 근로 연령 인구에서 좌식 패턴을 평가하기 위한 유효한 대안으로 식별되었습니다.

본 연구는 총 좌식 시간은 여러 모델에 의해 상당히 정확하게 추정될 수 있지만, 더 복잡한 지표(예: 장기 구간 내 시간 비율)는 모델의 한계에 더 민감하다는 점을 강조합니다. 연구 결과는 모델 선택이 측정 정확도의 결정적인 요인임을 시사하며, 시간적 평활화(temporal smoothing)를 포함하는 딥러닝 모델(예: ActiNet)이 전통적인 컷포인트 기반 또는 단순한 랜덤 포레스트 방식보다 우수한 성능을 보인다는 것을 보여줍니다. 본 연구는 향-후 역학 연구가 좌식 행동 패턴 및 건강 결과와의 연관성을 조사하기 위해 손목 데이터를 활용할 수 있도록 확신을 주는 것을 목표로 합니다.