작업 기억 과제 중 눈 움직임 분석을 통한 성인 ADHD 예측 모델 연구

본 논문은 성인 ADHD 진단을 위한 새로운 객관적 지표 개발을 목표로, 작업 기억(Working Memory Capacity, WMC) 과제 수행 중 눈 움직임 데이터를 수집하고 이를 머신러닝 모델에 적용하는 가능성을 탐색한 ‘가능성 연구(feasibility study)’이다. 서론에서는 ADHD가 성인기에까지 지속되며 경제·직업·교육적 결과에 부정적 영향을 미친다는 점을 강조하고, 기존 진단이 주관적 체크리스트에 크게 의존한다는 한계를 지적한다. 특히, 성인 ADHD 환자들이 작업 기억 능력이 저하된다는 선행 연구(Michalek et al., 2014)를 근거로, 작업 기억이 억제(inhibition)와 주의 통제의 핵심 메커니즘임을 설명한다. 배경 부분에서는 (1) 작업 기억 과제인 Reading‑Span(R‑Span)의 구조와 측정 방법을 상세히 소개한다. 피험자는 화면에 제시되는 문장을 읽고 의미 판단을 한 뒤, 문장 끝에 나타나는 문자들을 기억해 순서대로 회상한다. 이 과정에서 작업 기억 점수가 산출되며, ADHD 환자는 일반인보다 낮은 점수를 보인다. (2) 머신러닝의 기본 개념과 지도학습(supervised learning) 절차를 설명하고, 기존 연구에서 SVM, ELM, KNN 등 다양한 알고리즘이 EEG·MRI 데이터로 ADHD를 분류한 사례를 제시한다. 그러나 눈 추적 데이터를 이용한 연구는 아직 부족하다는 점을 강조한다. (3) AOI(Area of Interest)의 정의와 이전 연구에서 감정 인식·읽기 과제 등에 적용된 사례를 검토한다. 이 논문은 AOI를 작업 기억 과제의 텍스트와 자극 영역에 적용해 시선 고정·전이 패턴을 분석한다. (4) 눈 움직임 메트릭(고정, 사카드, 속도, 진폭, 지속시간, 동공 확대 등)과 ADHD와의 연관성을 문헌 기반으로 정리한다. 특히, 사카드 과잉(overshoot)·과소(undershoot) 현상, 사카드 억제 실패, 안티‑사카드(anti‑saccade) 수행 어려움 등이 ADHD 특성으로 보고된다. 연구 방법에서는 총 N명의 성인 피험자를 모집했으며, ADHD 진단 여부는 임상 전문가의 DSM‑5 기반 평가와 자기보고 설문으로 확인하였다. 피험자는 ADHD 그룹과 비 ADHD(통제) 그룹으로 각각 배정되었다. 실험 장비는 500 Hz 샘플링 레이트를 가진 고정밀 안구 추적기이며, 실험 환경은 조명·거리·스크린 해상도를 표준화하였다. 작업 기억 과제 수행 중 눈 움직임 데이터를 실시간으로 기록하고, 사전 정의된 AOI(문장 영역, 질문 버튼, 문자 입력 영역 등)별 고정 시간, 고정 횟수, 사카드 진폭·지속·속도 등을 추출하였다. 또한, 사카드 진폭‑지속 관계와 진폭‑최대 속도 관계를 두 개의 ‘시퀀스 메트릭’으로 별도 계산했다. 데이터 전처리 단계에서는 결측값 보정, 이상치 제거, 각 피처를 Z‑score 정규화하였다. 피처 선택은 상관관계 분석과 변수 중요도(Feature Importance) 평가를 통해 수행했으며, 최종 피처 집합은 25개 정도의 눈 움직임 메트릭과 AOI 고정 통계량으로 구성되었다. 머신러닝 모델로는 선형 SVM, 비선형 RBF‑SVM, K‑최근접 이웃(KNN), 그리고 Extreme Learning Machine(ELM)을 적용했으며, 10‑fold 교차검증을 통해 모델 성능을 평가하였다. 평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F‑measure를 사용했다. 결과에서는 비선형 SVM이 가장 높은 정확도(≈ 87 %)와 F‑measure(≈ 0.85)를 기록했으며, KNN과 ELM도 80 % 수준의 성능을 보였다. 특히, 사카드 과잉 비율과 AOI 내 고정 시간 감소가 ADHD 그룹에서 유의하게 높게 나타났으며, 이 두 메트릭이 모델의 주요 특징으로 선정되었다. 사카드 진폭‑지속 관계와 진폭‑최대 속도 관계 역시 그룹 간 차이가 뚜렷했으며, 이를 시각화한 그래프가 논문에 포함되어 있다. 논의에서는 눈 움직임 메트릭이 ADHD 진단에 유용한 객관적 지표가 될 수 있음을 강조한다. 기존의 EEG·MRI 기반 연구와 달리, 눈 추적은 비침습적이며 실험실·현장 모두에서 비교적 저비용으로 적용 가능하다는 장점이 있다. 그러나 연구는 샘플 규모가 제한적이며(예: 총 30~40명), 연령·성별·약물 복용 여부 등 잠재적 교란 변수를 충분히 통제하지 못했다는 한계가 있다. 또한, 피처 엔지니어링 과정이 비교적 단순했으며, 딥러닝 기반 시계열 모델(예: LSTM) 적용 가능성에 대한 탐색이 부족했다. 향후 연구에서는 대규모 다기관 데이터를 확보하고, 다양한 작업 기억 과제와 눈 추적 장비를 교차 검증하며, 멀티모달(EEG·fMRI·심박수) 데이터를 통합해 모델의 일반화 능력을 강화할 필요가 있다. 결론적으로, 이 파일럿 연구는 작업 기억 과제 수행 중 눈 움직임 데이터를 활용해 성인 ADHD를 높은 정확도로 분류할 수 있음을 실증했으며, AOI 기반 고정·전이 분석이 특히 유용함을 보여준다. 향후 임상 현장에서 빠르고 객관적인 보조 진단 도구로 발전시키기 위해서는 표준화된 프로토콜 구축과 대규모 검증 연구가 필수적이다.