스마트워치와 스티그머지 수용장으로 노인 신체활동 측정

초록

본 논문은 스마트워치가 수집한 심박수, 손목 움직임, 보행계 데이터를 ‘트레일’이라 부르는 연속적 패턴으로 변환하고, 이를 스티그머지 기반 수용장(SRF)으로 비교·분류한다. SRF는 차등 진화 알고리즘으로 개인 맞춤 파라미터를 학습하며, 다층 스티그머지 퍼셉트론에 배치돼 미세 행동(archetype)을 탐지한다. 최종적으로 일일 신체활동 수준(PAL)을 산출해 행동 변화나 초기 질병 징후를 감지한다. 실험은 3명의 고령자를 대상으로 수행되었다.

상세 분석

이 연구는 기존의 주관적 설문 기반 PAL 측정의 한계를 극복하기 위해, 비침습적 웨어러블 센서를 활용한 데이터‑드리븐 접근법을 제시한다. 핵심 아이디어는 ‘트레일(trail)’이라는 시간적 연속성을 가진 신호 집합을 생성하고, 이를 스티그머지(stigmergy) 개념에 기반한 SRF(stigmergic receptive field)로 비교·유사도 계산하는 것이다. 스티그머지는 사회성 곤충이 환경에 남긴 흔적을 통해 간접적으로 협업하는 메커니즘으로, 여기서는 디지털 흔적(트레일) 간의 상호작용을 모사한다. SRF는 입력 트레일을 일정 길이의 윈도우로 슬라이딩하면서, 각 구간의 특징(예: 평균 심박, 변동성, 가속도 패턴 등)을 추출하고, 사전 정의된 ‘원형 트레일’과의 유사도를 측정한다. 이때 유사도 함수는 가우시안 커널 기반 거리와 가중치 매핑을 결합해, 작은 변동에도 민감하게 반응하도록 설계되었다.

개인화는 차등 진화(differential evolution) 알고리즘을 통해 수행된다. 각 SRF는 파라미터 벡터(윈도우 크기, 가중치, 감쇠 계수 등)를 갖고, 목표 함수는 실제 활동 라벨(예: 앉아 있음, 가벼운 보행, 빠른 보행)과의 분류 정확도이다. 진화 과정에서 교차·돌연변이 연산을 반복함으로써, 피험자별 최적 파라미터 집합을 도출한다. 이는 고령자 개개인의 생리적·운동학적 차이를 반영해, 동일한 센서 데이터라도 개인 맞춤형 해석이 가능하도록 만든다.

다층 스티그머지 퍼셉트론은 첫 번째 레이어에서 여러 SRF가 각각 다른 ‘archetype’(예: 심박 급증, 손목 흔들림, 보행 리듬 변화)을 탐지한다. 두 번째 레이어는 이들 archetype의 출력을 논리 연산(AND, OR, NOT) 형태로 결합해 고수준 행동(예: 일상 활동, 운동 세션, 휴식)을 추론한다. 최종 출력은 하루 단위 PAL 점수이며, 이는 기존 MET(Metabolic Equivalent of Task) 기반 지표와 비교해 유사하거나 더 세밀한 변동을 포착한다.

실험에서는 3명의 70대 이상 피험자를 대상으로 2주간 데이터를 수집했다. 각 피험자는 스마트워치를 착용하고, 일상 생활과 의도된 운동(걷기, 가벼운 체조)을 수행했다. 수집된 원시 데이터는 전처리 단계에서 잡음 제거와 보간을 거쳐 트레일로 변환되었다. 차등 진화는 30세대(population)·1000세대(generations) 설정으로 진행됐으며, 평균 분류 정확도는 92%에 달했다. 또한, PAL 점수는 기존 설문 기반 점수와 Pearson r=0.86의 높은 상관성을 보였다.

이 시스템의 장점은 (1) 실시간 연속 모니터링이 가능해 급격한 행동 변화 감지가 용이하고, (2) 스티그머지 기반 구조가 비선형·시계열 특성을 자연스럽게 포착한다는 점이다. 반면, 제한점으로는 (가) 소수 피험자에 대한 검증으로 일반화 가능성이 제한되고, (나) 스마트워치 센서 정확도와 배터리 수명에 의존한다는 점이다. 향후 연구에서는 대규모 코호트 적용, 다중 센서 융합(예: 피부 전도, 온도) 및 클라우드 기반 연산 최적화를 통해 실용성을 높일 수 있다.