모바일 액티그래프 데이터의 가속화 베이지안 추론

본 연구는 웨어러블 디바이스에서 수집된 고해상도 액티그래프 데이터를 효율적으로 분석하기 위해, 베이지안 통계와 딥러닝을 결합한 새로운 추론 프레임워크를 제안한다. 연구 배경으로는 최근 스마트워치·스마트폰에 내장된 가속도계가 대규모 인구 수준의 움직임 데이터를 제공함에 따라, 이러한 데이터를 활용한 건강·활동 연구가 급증하고 있다는 점을 들었다. 그러나 기존 통계 방법은 고빈도 시계열의 결측 및 불규칙성을 처리하는 데 한계가 있으며, 인공지능 기반 전이학습(transfer learning)과 빠른 추론을 요구하는 실시간 응용에는 부적합했다. 논문은 먼저 데이터 전처리 과정을 상세히 기술한다. 원본 30 Hz MAG 시계열을 20 초 구간으로 평균화하고, 5~22 분 길이의 연속 구간만을 선택해 ‘액티그래프 타임시트’라는 행렬 형태로 재구성한다. 이때 각 트래젝터리는 (주제, 날짜, 시작시간) 튜플로 고유하게 식별되며, 결측값은 회색으로 표시된다. 또한 MAG가 0.05 이하인 구간을 제거해 로그 변환 시 발생할 수 있는 무한대 값을 방지하고, 로그(MAG) 값을 종속변수로 사용한다. 다음으로 제안된 통계 모델은 계층적 동적 선형 모델(Hierarchical DLM)이다. 시간 t에서 관측값 yₜ는 설계행렬 Xₜ와 회귀계수 βₜ의 선형 결합에 노이즈 νₜ를 더한 형태이며, βₜ는 정규 사전분포를 갖는 상태공정으로 모델링된다. 공분산 행렬 Vₜ는 GPS 기반 위치, 기후, 인구통계학적 변수 등 외부 정보를 반영하도록 설계된다. 베이지안 접근을 통해 βₜ에 대한 정확한 사후분포를 공액성(conjugacy)으로 계산할 수 있으며, 이를 통해 각 시간대별 환경 변수의 MAG에 대한 효과를 직접 해석한다. 그러나 전통적인 MCMC 방식은 대규모 데이터에 적용하기 어렵다. 이를 해결하기 위해 논문은 BayesFlow라는 프레임워크를 활용한 Amortized Bayesian Inference를 도입한다. BayesFlow는 시뮬레이션 기반으로 다양한 파라미터 조합을 생성하고, 인코더‑디코더 구조의 신경망을 학습시켜 입력 데이터 y를 바로 사후 샘플 θ|y 로 매핑한다. 학습 단계에서는 (θ, y) 쌍을 수천만 개 생성하고, 손실 함수는 사후 분포의 통계량(예: 평균, 분산)과 실제 샘플 간의 차이를 최소화하도록 설계된다. 학습이 완료된 후에는 새로운 액티그래프 타임시트가 주어졌을 때, 단일 전방패스만으로 βₜ의 사후 평균과 신뢰구간을 즉시 얻을 수 있다. 논문은 이 방법을 두 차원에서 검증한다. 첫 번째는 완전히 합성된 데이터셋을 이용해 정확한 베이지안 사후와 amortized 추정값을 비교한다. 평균 절대 오차(MAE)와 95 % 신뢰구간 커버리지를 평가한 결과, amortized 모델은 약 5 % 정도의 정확도 손실을 보였지만, 추론 시간은 수초 수준으로 크게 단축되었다. 두 번째는 UCLA의 PASTA‑LA 연구에서 수집된 실제 데이터(460명, 2주간, GPS·액티그래프 동시 측정)를 적용한다. 여기서는 결측값 보간, βₜ의 시간 변동성, 그리고 온도·거리·시간대와 같은 환경 변수와 로그(MAG) 간의 동적 관계를 분석한다. 결과는 예를 들어, 오후 5시~7시 사이에 온도가 20 °C 이하일 때 MAG가 평균 0.12 g 상승한다는 식의 구체적 인사이트를 제공한다. 또한, 학습된 신경망을 이용해 새로운 가상의 트래젝터리를 생성(generative model)함으로써, 개인 맞춤형 운동 경로와 강도를 제시하는 추천 시스템을 시연한다. 이 시스템은 사용자의 현재 위치와 선호도, 과거 활동 패턴을 입력받아, 실시간으로 최적의 운동 루트를 제안하고, 예상 MAG 프로파일을 제공한다. 결론적으로, 본 논문은 (1) 계층적 DLM을 통한 베이지안 해석 가능성, (2) BayesFlow 기반 amortized inference를 통한 실시간 추론, (3) 결측 보간 및 시공간적 특성을 반영한 데이터 전처리라는 세 축을 결합해, 웨어러블 데이터 분석에 새로운 패러다임을 제시한다. 향후 연구에서는 다변량 가속도(3축)와 심박수, 호흡수 등 다른 바이오마커를 동시에 모델링하고, 멀티모달 전이학습을 확장함으로써 보다 포괄적인 개인 건강 관리 플랫폼을 구축할 수 있을 것으로 기대한다.