정신건강 자동 증상 평가를 위한 행동·생리 데이터 기반 프레임워크

초록

본 논문은 모바일·웨어러블 기기로 수집한 신체 활동·심박 데이터에서 추출한 객관적 지표를 이용해 양극성장애, 경계성 인격장애, 조현병 등 정신질환의 증상과 임상 상태를 자동으로 구분·예측하는 방법을 제시한다. 심리운동·조직화·기분(수면·일주기) 세 차원으로 특징을 설계하고, 머신러닝 모델을 적용해 67~95% 수준의 분류 정확도를 달성하였다.

상세 분석

이 연구는 정신건강 분야에서 기존의 주관적 인터뷰·설문에 의존하던 진단 방식을 보완하기 위해, 행동과 생리 데이터를 정량화하는 체계적 파이프라인을 구축하였다. 먼저 손목 가속도계와 스마트폰 센서를 통해 활동량, 활동 강도, 활동 지속성 등을 ENMO, 활동 카운트, Detrended Fluctuation Analysis 등으로 변환하고, 수면·각성 구간을 Hidden Markov Model과 Explicit Duration Semi‑Markov Model로 분할하였다. 심리운동 차원에서는 활동 수준과 대사당량 기반 강도 지표를, 조직화 차원에서는 다중 스케일 엔트로피와 활동 지속성(스케일링 지수) 등을, 기분 차원에서는 L5/M10, 일주기 진폭, 비모수적 휴식‑활동 특성을 추출하였다.

특징 선택 단계에서는 최소 중복·최대 관련성(MRMR)과 LASSO를 활용해 중복을 최소화하고 예측력을 극대화하였다. 분류 모델로는 로지스틱 회귀와 서포트 벡터 머신을 적용했으며, 교차 검증(leave‑one‑out) 결과, 건강 대 양극성(67%), 건강 대 경계성(70%), 양극성 대 경계성(80%)의 구분 정확도를 보였다. 임상 상태(조증·우울·정상) 구분에서는 각각 80%, 85%, 90%의 정확도를 달성하였다.

특히 심박수(HR)와 움직임 특징을 결합했을 때, 단일 특징 대비 약 10~17%의 정확도 향상이 관찰되었다. 이는 자율신경계 변화가 행동 패턴과 상호보완적으로 정신증상의 변화를 반영한다는 가설을 뒷받침한다.

한편, 데이터 품질 관리 측면에서 결측치 보정, 잡음 제거, 비정상 구간 탐지를 위한 Bayesian Change Point Detection 등 정교한 전처리 기법을 적용하였다. 불균형 데이터 문제는 언더샘플링과 SMOTE 기반 오버샘플링으로 해결하였다.

연구의 제한점으로는 표본 규모가 제한적이며, 행동 지표와 심리 현상 간 인과관계 규명에 추가적인 실험이 필요함을 언급한다. 향후 다기관 대규모 코호트와 실시간 피드백 기반 mHealth 시스템을 구축해 임상 적용 가능성을 확대하고자 한다.