설명가능한머신러닝과정수최적화를결합한맞춤형수면개선방안

본 논문은 대학생을 주요 대상군으로 삼아, 수면 질을 저해하는 행동·환경·심리적 요인을 설문을 통해 정량화하고, 이를 바탕으로 개인 맞춤형 개입 방안을 도출하는 통합 프레임워크를 제시한다. 서론에서는 기존 수면 개선 프로그램이 일반적인 수면 위생 교육에 머물러 있어, 개인의 생활 제약을 충분히 고려하지 못한다는 문제점을 지적한다. 특히 학생들은 학업, 아르바이트, 사회적 활동 등 복합적인 압력에 노출돼 있어, ‘이상적인’ 수면 습관을 그대로 적용하기 어려운 현실을 강조한다. 이러한 배경에서 예측 모델만으로는 실질적인 행동 변화를 이끌어내기 어렵다는 점을 근거로, 예측‑설명‑처방의 삼위일체 접근법을 제안한다. 데이터는 1,200명 이상의 대학생을 대상으로 수집된 설문으로, 인구통계학적 변수(연령, 성별, 전공 등), 행동 변수(고정된 수면 일정, 스크린 타임, 카페인 섭취, 신체 활동 등), 환경 변수(거주 형태, 조명·소음 수준) 및 심리 변수(스트레스 수준, 우울·불안 척도) 등을 포함한다. 결측값은 다중 대체법으로 보완했으며, 범주형 변수는 원-핫 인코딩, 연속형 변수는 표준화하였다. 예측 단계에서는 여러 지도학습 알고리즘을 비교 평가했으며, 최종적으로 XGBoost 기반 모델이 가장 높은 F1‑스코어(0.9544)와 정확도(0.9366)를 기록했다. 모델의 블랙박스 특성을 보완하기 위해 SHAP(Shapley Additive Explanations)를 적용해 각 특성의 기여도를 정량화하였다. SHAP 분석 결과, ‘고정된 수면 일정’, ‘스크린 타임 제한’, ‘카페인 섭취 감소’, ‘일일 신체 활동량 증가’ 등이 수면 질 향상에 가장 큰 영향을 미치는 요인으로 도출되었다. 이러한 특성 중요도를 기반으로, 논문은 혼합정수선형계획(MILP) 모델을 설계한다. 의사결정 변수는 각 행동 조치의 적용 여부를 나타내는 이진 변수이며, 목표 함수는 (1) 예측된 수면 질 점수의 향상 기대값을 최대화하고, (2) 행동 변화에 대한 저항(개인별 가중치)과 개입 비용을 최소화하는 두 목표를 동시에 고려한다. 제약 조건으로는 (a) 한 번에 적용 가능한 행동 수의 상한(예: 최대 3개), (b) 행동 간 상호 의존성(예: ‘고정된 수면 일정’과 ‘스크린 타임 제한’은 동시에 적용 가능하지만 ‘야간 카페인 섭취’과는 충돌 가능) 등을 포함한다. 저항 파라미터는 설문 응답자의 ‘변화 의지 점수’를 정규화해 계수화했으며, 이를 통해 개별 사용자의 행동 변화 수용성을 모델에 반영한다. 실험에서는 파레토 프론트 분석을 통해 개입 강도(적용 행동 수)와 기대 효과(예측 수면 점수 상승) 사이의 트레이드오프를 시각화하였다. 결과는 초기 몇 개의 고영향 행동을 적용했을 때 기대 효과가 급격히 상승하지만, 추가 행동을 도입할수록 효과가 점차 포화되는 ‘수확 체감’ 현상을 보여준다. 개별 사례 분석에서는 대부분의 학생에게 1~2개의 행동만을 권고했으며, 경우에 따라서는 기대 효과가 미미해 개입이 필요 없다는 판단을 내리기도 했다. 이는 실제 생활에서 과도한 행동 변화를 요구하지 않으면서도 의미 있는 수면 개선을 도모할 수 있음을 시사한다. 논문의 한계로는 설문 데이터의 주관성, SHAP 값이 선형 가정에 기반한다는 점, 그리고 MILP 모델이 실제 행동 실행을 완벽히 예측하지 못한다는 점을 들었다. 특히 저항 파라미터의 설정이 개입 결과에 큰 영향을 미치므로, 향후 행동 과학적 측정 도구나 웨어러블 센서 데이터를 활용해 저항 모델을 정교화할 필요가 있다. 또한, 장기적인 효과 검증을 위해 실제 개입 후 수면 질 변화를 추적하는 전후 연구가 요구된다. 결론적으로, 이 연구는 수면 질 예측 모델에 설명 가능성을 결합하고, 이를 정수 최적화 모델에 통합함으로써 개인 맞춤형, 최소 부담의 행동 개입을 자동으로 도출하는 새로운 방법론을 제시한다. 이는 수면 건강 관리뿐 아니라, 행동 변화가 필요한 다양한 보건 분야에 적용 가능한 프레임워크로 확장 가능성을 가진다.