개인 맞춤형 통증 인식을 위한 다중 과제 신경망

초록

본 논문은 피부 전도와 심박 변동을 이용해 통증 강도를 자동으로 추정하는 방법을 제안한다. 다중 과제 학습(MTL) 기반 신경망을 설계해 개인별 차이를 반영하면서 전체 데이터로부터도 일반화된 특징을 학습한다. BioVid Heat Pain 데이터셋에서 기존 방법보다 높은 정확도를 달성하였다.

상세 분석

이 연구는 통증 측정의 객관화라는 장기적 목표에 기여하기 위해 두 가지 핵심 기술을 결합한다. 첫째, 피부 전도(SC)와 심전도(ECG)에서 추출한 12개의 SC 특징과 5개의 ECG 특징을 활용해 자율신경계 반응을 정량화한다. SC 특징은 최대값, 범위, 표준편차, 사분위 범위, RMS, 평균, 1차·2차 차분의 평균 절대값 등 통계적·시계열적 특성을 포괄한다. ECG 특징은 평균 IBI, RMSSD, SDNN, IBI 선형 회귀 기울기, SDNN/RMSSD 비율 등 심박 변동성을 나타내는 표준 지표를 포함한다. 이러한 다중 모달 특징은 각각의 생리적 시스템을 반영하므로, 단일 신호만 사용할 때보다 풍부한 정보를 제공한다.

둘째, 다중 과제 학습(MTL) 기반의 신경망 구조를 도입했다. 하드 파라미터 공유 방식을 채택해 모든 피험자에게 공통된 은닉층을 두고, 각 피험자마다 별도의 개인화된 은닉층을 추가한다. 이는 전체 데이터에서 일반적인 패턴을 학습하면서도 개인별 특이성을 보존한다는 장점을 가진다. 네트워크는 두 개의 완전 연결 은닉층(공유층 1개, 개인화층 1개)으로 구성되며, ReLU 활성화와 드롭아웃, 가중치 정규화, 조기 종료 등 현대적인 정규화 기법을 적용해 과적합을 방지한다.

실험은 BioVid Heat Pain 데이터베이스(87명, 5,500개의 5.5초 윈도우)에서 수행되었으며, 10‑fold 교차 검증을 통해 성능을 평가했다. 비교 대상으로는 로지스틱 회귀(LR), 선형 및 RBF 커널 SVM, 단일 과제 신경망(ST‑NN)이 사용되었다. 결과는 SC 단독 특징이 ECG보다 우수함을 확인했으며, 다중 모달(SC+ECG) 결합 시에도 MTL‑NN이 모든 비교 모델을 앞섰다. 특히 고통 수준 P4와 P3에 대해 각각 82.75%와 70.04%의 정확도를 기록했는데, 이는 기존 연구(예: 74.1%/65.0%)보다 현저히 높은 수치이다.

이 논문의 주요 기여는 (1) 심층 학습을 이용한 통증 강도 추정, (2) 개인 차이를 반영한 다중 과제 학습 프레임워크, (3) 착용 가능한 센서(손목 착용형)만으로 수집 가능한 SC와 ECG를 활용한 실용적인 접근이다. 한계점으로는 데이터가 실험실 환경의 건강한 피험자에 국한되어 있어 임상 현장 적용 가능성을 검증해야 한다는 점과, EMG와 같은 추가 생리 신호를 포함하지 않아 잠재적 성능 향상 여지가 남아 있다는 점을 들 수 있다. 향후 연구에서는 과제 정의를 메타 정보(성별, 연령)와 유사도 기반 클러스터링으로 세분화하고, 더 정교한 시계열 특성 추출 및 실시간 구현을 목표로 할 예정이다.