Human-Centered Learning Mechanics for Reliable Smart Textiles: An Explainable and Frugal AI Framework for Separating Physiological Anomalies from Sensor Drift and Degradation

기술 요약: 신뢰할 수 있는 스마트 텍스타일을 위한 인간 중심 학습 메커니즘(HCLM)

문제 정의
섬유에 센서를 직접 내장하는 스마트 텍스타일은 가정 기반 헬스케어, 수면 모니터링 및 직업 안전 분야에서 상당한 잠재력을 제공합니다. 그러나 이들은 기존 웨어러블 기기와는 다른 근본적인 신뢰성 한계에 직면해 있습니다. 즉, 센서가 내장된 의류에서 수집된 비정상적인 신호는 본질적으로 모호합니다. 이러한 신호는 실제 생리적 사건(예: 무호흡, 저호흡)에서 기인할 수도 있고, 텍스타일 센서 자체의 열화(예: 드리프트, 히스테리시스, 접촉 손실, 세탁으로 인한 손상)에서 기인할 수도 있으며, 혹은 일시적인 사용 아티팩트(예: 의류 위치 이탈, 움직임 노이즈)에서 기인할 수도 있습니다.

현재의 모니터링 파이프라인은 일반적으로 신호 품질 평가와 생리적 사건 탐지를 별개의 단계로 취급합니다. 이러한 분리는 최적화되지 않은 방식입니다. 왜냐나 "저품질"로 거부된 윈도우가 실제로는 유지보수가 필요한 중요한 텍스타일 결함을 포함하고 있을 수 있는 반면, "수용된" 윈도우가 여전히 생리학적으로 모호할 수 있기 때문입니다. 핵심 과제는 단순한 분류 정확도가 아니라, 인간 중심의 의사결정에 최적화되면서도 검소하고(edge device에 적합하며), 설명 가능하며, 실제 생리적 이상과 텍스타일 유발 센서 실패를 구분해내는 것입니다.

방법론: HCLM-SmartTex 프레임워크
저자들은 **인간 중심 학습 메커니즘(HCLM)**에 기반한 설명 가능하고 검소한 프레임워크인 HCLM-SmartTex를 제안합니다. 이 프레임워크는 스마트 텍스타일을 단순한 센서 캐리어가 아니라, 생리적 신호와 함께 모니터링되어야 하는 동적인 측정 시스템으로 취급합니다. 아키텍처는 다음의 5단계로 구성됩니다:

1. 윈도우 레벨 특징 추출: 다변량 신호(호흡, 흉부 변형, SpO2, 심박수, 텍스타일 변형, 접촉 품질 및 환경 변수)의 슬라이딩 윈도우로부터 통계적 및 도메인 인지적 특징을 추출합니다. 주요 특징에는 진폭 붕괴(amplitude collapse), 탈포화 깊이(desaturation depth), 접촉 손실률, 호흡-변형 결합 등이 포함됩니다.
2. 기계론적 생리 점수 ($S_{phys}$): 투명한 규칙 기반 점수를 통해 신체 이벤트의 증거를 정량화합니다. 이 점수는 호흡 진폭이 붕괴하거나, 산소 탈포화가 발생하거나, 보상적 심박수 증가가 관찰될 때 증가하며, 이는 폐쇄성 호흡 사건의 전형적인 징후를 반영합니다.
3. 기계론적 텍스타일 신뢰도 점수 ($S_{textile}$): 보완적인 점수로 측정 실패의 증거를 정량화합니다. 이 점수는 니트 및 실 기반 센서의 입증된 열화 동작을 바탕으로, 접촉 손실, 보정된 베이스라인으로부터의 텍스타일 변형 드리프트, 그리고 약화된 호흡-변형 결합이 발생할 때 증가합니다.
4. 검소한 후기 융합(Frugal Late Fusion): 두 기계론적 점수는 정규화된 후 소수의 라벨링된 데이터 세트로 학습된 경량 로지스틱 분류기와 결합됩니다. 이는 해석 가능성을 유지하면서 견고성을 개선하는 하이브리드 이상 점수($S_{hyb}$)를 생성합니다.
5. HCLM 조절 (능동 제어 레이어): 엔트로피 게이트형 서모스탯(entropy-gated thermostat)이 하이브리드 점수를 조절합니다. 이는 예측 불확실성과 생리적 증거 및 텍스타일 증거 사이의 모호함을 결합한 **유효 엔트로피($H_{eff}$)**를 계산합니다. 엔트로피가 높거나(불확실성 지표), 기계론적 위험 증거가 하이브리드 점수와 상충하는 경우, 컨트롤러는 결정을 능동적으로 조정합니다. 이는 잘못된 알람을 억제하거나(높은 점수에 기계론적 근거가 없는 경우), 놓친 이벤트를 복구할 수 있습니다(경계선상의 점수가 강력한 위험 증거를 가진 경우).

주요 기여
본 논문은 기여도를 프레임워크, 벤치마크, 모델 및 검증 수준으로 계층화합니다:

• 인간 중심 의사결정 공식화: 문제를 생리적 이상과 텍스타일 열화를 분리하는 공동 추론 작업으로 프레이밍하였으며, 이를 인간 중심 의사결정 비용에 대해 최적화했습니다. 이 비용은 생리적 이벤트를 놓치는 것, 텍스타일 유발 오경보, 탐지 지연에 패널티를 부여하여, 단순한 정확도보다 운영상의 결과에 우선순위를 둡니다.
• 합성 스마트 텍스타일 시뮬레이터: 실제 기록에서는 이상 발생의 원인(생리적 원인인지 센서 결함인지)을 알 수 없다는 점을 해결하기 위해, 저자들은 통제된 시뮬레이터를 설계했습니다. 이는 동일한 생리적 이벤트가 센서 결함 유무에 따라 어떻게 달라지는지, 그리고 서로 다른 생리적 상태 하에서 동일한 텍스타일 결함이 어떻게 나타나는지에 대한 반사실적 시나리오를 생성하여 분리 메커니즘을 격리하고 검증합니다.
• 설명 가능한 기계론적 서브 점수: 프레임워크는 두 개의 독립적인 인간 판독 가능 서브 점수($S_{phys}$ 및 $S_{textile}$)를 노출합니다. 이를 통해 시스템은 이상 현상을 특정 범주(정상, 생리적, 또는 텍스타일/센서)로 귀속시키고, 구체적인 교정 조치(예: 임상적 주의 vs. 의류 재배치)를 제안할 수 있습니다.
• 능동적 HCLM 제어: 수동적인 사후 처리와 달리, HCLM 레이어는 위험 민감형 조절기로 작동합니다. 유효 엔트로피를 사용하여 개입 여부를 결정함으로써, 시스템이 정적인 분류기가 아닌 의사결정 지원 도구로서 작동하도록 보장합니다.
• 검소함 및 에지 적합성: 모델은 201개의 파라미터, 약 2.15 KB RAM, 약 6.79 KB 플래시만을 사용하여 에지 장치 배포에 적합하도록 설계되었으며, 선형 시간 추론 복잡도를 가집니다.
• 검증 프로토콜: 본 논문은 제어된 시뮬레이션부터 실제 세계 배포까지의 경로를 정의하며, 계측, 단계적 획득 및 2계층 라벨링(생리적 상태 및 텍스타일 신뢰도 상태)에 대한 구체적인 요구 사항을 포함하는 구체적인 물리적 스마트 의류 검증 프로토콜을 제공합니다.

실험 결과
합성 벤치마크의 홀드아웃 피험자 분할 데이터셋에서 평가한 결과, 능동적 HCLM-SmartTex 탐지기는 규칙 기반 임계값, 비지도 학습 탐지기(Isolation Forest, One-Class SVM) 및 다양한 학습 기반 베이스라인(Logistic Regression, ExtraTrees, 정확도 최적화 앙상블)보다 우수한 성능을 보였습니다:

• 성능: 모든 방법 중 가장 높은 **F1-score (0.9515)**와 가장 낮은 **오경보 윈도우 비율 (0.0267)**을 달 기록했으며, 높은 재현율(0.9800)과 평균 탐지 지연 시간 0.50 윈도우를 유지했습니다.
• 조절 효능: HCLM 컨트롤러는 경험적으로 활성화되어, 평가된 윈도우의 64%를 수정하고 규제되지 않은 하이브리드 모델 대비 5개의 테스트 결정을 변경했습니다. 이 조절은 감도를 희생하지 않으면서 오경보를 성공적으로 줄였습니다.
• 분리 정확도: 프레임워크는 정상, 생리적, 텍스타일/센서 패밀리 간의 구별에서 0.9667의 정확도를 달성했으며, 활성 클래스에 대한 근본 원인 분류에서도 높은 정확도를 보였습니다.
• 자원 점유: 모델은 비지도 학습 베이스라인 및 복잡한 앙상블 모델보다 현저히 작았으며, 이는 에지 장치에 대한 적합성을 확인시켜 줍니다.

의의 및 주장
본 논문은 이 연구를 신뢰할 수 있는 스마트 텍스타일 모니터링을 위한 메커니즘 수준의, 의사결정 지향적 벤치마크로 포지셔ning 합니다. 저자들은 다음과 같이 명시적으로 주장합니다: 기존의 어떤 접근 방식도 검소하고 설명 가능하며 인간 중심의 의사결정 비용 하에서 생리적 이상과 텍스타일/센서 열화를 공동으로 분리해내지 못했습니다.

저자들은 다음과 같은 점에서 겸허한 태도를 유지하며 주장을 제한합니다:

• 결과는 합성 데이터에 기반하며, 이는 임상적 검증이나 산업적 인증을 의미하지 않습니다.
• 시뮬레이터는 반사실적 조건 하에서 메커니즘 분리를 테스트하기 위한 "통제된 가교" 역할을 하며, 물리적 의류 테스트를 대체하는 것이 아닙니다.
• 프레임워크는 초기 단계 프로토타이핑 및 에지 배포 의사결정 지원을 위한 빌딩 블록이며, 제공된 검증 프로토콜을 통해 실제 의류로 전이될 수 있도록 설계되었습니다.
• 주요 기여는 특정 임상 작업에서의 최첨단(SOTA) 정확도 달성이 아니라, 분리 메커니즘과 위험 인식 의사결정 제어입니다.

연구는 결론적으로, 유효 엔트로피와 메커니즘 유래 위험 증거에 의사결정을 결합함으로써 프레임워크가 놓친 이벤트와 오경보 사이의 트레이드오프를 명시적이고 튜닝 가능하게 만들어, 더 신뢰할 수 있고 해석 가능하며 검소한 스마트 텍스타일 모니터링 시스템을 향한 실질적인 경로를 제공한다고 밝히고 있습니다.