스마트 미터로 보는 치매 환자 일상 행동 자동 감지

초록

스마트 미터 데이터를 기계학습으로 분해해 가전 사용 패턴을 추출하고, 이를 기반으로 치매 환자의 일상생활 활동(ADL)을 실시간 모니터링한다. 세 가정에서 학습한 SVM과 랜덤 포레스트 모델을 두 명의 치매 환자에게 6개월 적용했으며, 랜덤 포레스트가 AUC 0.94, 민감도·특이도 0.96을 기록해 높은 정확도의 행동 변화 탐지가 가능함을 보였다.

상세 분석

본 연구는 기존의 침입적 센서 기반 모니터링이 갖는 사생활 침해와 설치·유지 비용 문제를 해결하고자, 전국적으로 확대되고 있는 스마트 미터 인프라를 활용한다는 점에서 혁신적이다. 전력 소비 신호는 1 Hz 이상의 고해상도 데이터를 제공하지만, 단일 가구 전체의 복합 파형을 개별 가전으로 분리하는 ‘비침입형 부하 분해(NILM)’가 핵심 기술이다. 저자들은 먼저 3개의 시험 가정에서 10 kW 이하의 가전(전기레인지, 전기주전자, 전기히터 등)을 라벨링하고, 전압·전류 파형에서 전력 피크, 상승·하강 시간, 주기성 등 30여 개의 특징을 추출하였다. 특징 선택에는 상관관계 분석과 주성분 분석(PCA)을 적용해 차원을 12개로 축소했으며, 이는 과적합을 방지하고 실시간 처리에 적합하도록 설계된 것이다.

분류 알고리즘으로는 선형 SVM과 랜덤 포레스트(100개의 결정 트리)를 사용했으며, 교차 검증을 통해 하이퍼파라미터(C, γ, 트리 깊이 등)를 최적화하였다. 실험 결과, SVM은 AUC 0.86, 민감도 0.76, 특이도 0.93을 기록했지만, 일부 저전력 가전(예: 전등)의 오탐이 잦았다. 반면 랜덤 포레스트는 AUC 0.94, 민감도·특이도 모두 0.96에 달해, 비선형 관계와 잡음에 대한 강인성을 보여준다.

임상 적용 단계에서는 두 명의 치매 환자를 대상으로 6개월 동안 실시간 부하 분해와 ADL 매핑을 수행했다. 식사·음료 섭취는 전기주전자의 사용 패턴으로, 목욕·청소는 전기히터·세탁기의 연속 사용으로 추정했다. 일상 패턴의 변동(예: 아침 식사 시간 지연, 전기레인지 사용 감소)은 자동 알림으로 간호사에게 전달되어 조기 개입이 가능했다. 특히, 랜덤 포레스트 기반 시스템이 비정상적인 전력 사용을 48시간 이내에 탐지했으며, 이는 기존 주관적 보고보다 2배 이상 빠른 대응을 가능하게 했다.

하지만 몇 가지 한계도 존재한다. 첫째, 가전 종류와 사용 방식이 가구마다 크게 다르기 때문에, 모델의 일반화에는 추가적인 전이 학습이 필요하다. 둘째, 고전력 가전이 동시에 작동할 경우 신호 혼합이 심화되어 분해 정확도가 떨어진다. 셋째, 전력 데이터만으로는 정밀한 행동 구분이 어려워, 보조적인 환경 센서(예: 움직임 감지기)와의 융합이 향후 연구 과제로 제시된다. 마지막으로, 데이터 프라이버시와 GDPR·개인정보보호법 준수를 위한 익명화 및 암호화 프로토콜이 필수적이다. 전반적으로, 스마트 미터 기반 NILM은 저비용·비침입형 ADL 모니터링의 실현 가능성을 입증했으며, 향후 대규모 임상 시험과 정책적 지원이 뒤따라야 할 것이다.