스마트폰 사용 패턴으로 인지 건강 예측 모델

본 논문은 스마트폰 사용 데이터가 고령자의 인지 상태를 반영할 수 있다는 가설 아래, 12주 동안 113명의 참여자(인지 장애 31명, 정상 82명)로부터 수집된 앱 실행 및 잠금·해제 로그를 분석한다. 연구 목표는 (1) 사용자의 스마트폰 상호작용을 구조화된 ‘세션’ 단위로 모델링하고, (2) 이러한 세션 유형을 이용해 인지 장애 여부를 예측하는 모델을 구축하는 것이다. 데이터 전처리 단계에서 전화기의 잠금·해제 이벤트를 기준으로 연속적인 앱 사용을 하나의 세션으로 묶는다. 이는 사용자가 실제로 한 번에 수행하는 작업 흐름을 포착한다는 점에서 의미가 있다. 각 앱은 50차원 벡터로 임베딩되는데, 이는 word2vec과 유사하게 한 사용자를 ‘문장’으로 보고, 앞·뒤 3개의 앱을 예측하도록 학습한다. 세션 내 모든 앱 임베딩을 평균해 세션 벡터를 얻고, 전체 사용자의 세션 벡터를 k‑means 클러스터링(K는 하이퍼파라미터)하여 ‘세션 타입’(클러스터)들을 정의한다. 이후 각 사용자는 시간에 따라 발생한 세션 타입의 시계열을 갖게 되며, 이를 일별 평균 횟수로 정규화하고 전체 평균이 1이 되도록 스케일링한다. 최종 피처는 세션 타입별 카운트(또는 비율)이며, L1 정규화 로지스틱 회귀 모델에 입력한다. 모델 평가는 Leave‑One‑Out 교차검증으로 수행했으며, 내부 LOO 루프를 통해 K와 정규화 강도 C를 튜닝한다. 전체 파이프라인은 AUROC 0.79를 달성했으며, 이는 Chen et al. (2019)이 다중 센서와 1,000여 개의 손수 만든 피처를 사용해 얻은 0.77보다 약간 높은 수치이다. 다양한 Ablation Study를 통해 모델 구성 요소의 중요성을 검증했다. (i) 세션 구분 없이 앱 임베딩만 사용하면 AUROC가 0.75로 감소한다. (ii) 임베딩을 무작위로 섞으면 0.69, (iii) 원-핫 앱 ID 사용 시 0.75, (iv) 앱 카테고리 원-핫은 0.61까지 떨어진다. 이는 세션 기반 집계, 의미 있는 앱 임베딩, 그리고 클러스터링이 모두 성능에 기여함을 보여준다. 해석 단계에서는 로지스틱 회귀 가중치와 세션 타입 빈도의 곱을 통해 가장 영향력 있는 네 개의 세션 타입을 도출했다. ‘Call·Phone’, ‘Messages·Mail’, ‘Mail·Safari’, ‘Settings’ 등은 양성(인지 장애) 점수를 크게 올리는 반면, ‘Messages 단독’, ‘Safari 단독’, ‘Mail·Facebook’ 등은 점수를 낮춘다. 특히 같은 앱이라도 동반 앱에 따라 영향이 반전되는 현상이 관찰돼, 세션 내 앱 조합이 인지 상태와의 관계를 결정짓는 핵심 요인임을 강조한다. 개별 사례 분석에서도 고득점(양성) 사용자는 전화·시계·캘린더 등 단일 앱 세션이 많고, 저득점(음성) 사용자는 메시지·인스타그램·카메라 등 사회·시각적 앱이 주를 이룬다. 이러한 패턴은 기존 연구에서 제시된 ‘앱 사용량’만으로는 포착하기 어려운 미세한 행동 차이를 드러낸다. 논문의 제한점으로는 표본 크기가 작고, 인지 장애가 이미 진단된 사람들을 대상으로 했기 때문에 일반 인구에 대한 외삽이 제한적이라는 점을 언급한다. 향후 연구에서는 세션 타입 추출을 토픽 모델링이나 딥러닝 기반 클러스터링으로 대체하고, 비선형 분류기(GBDT, 신경망)와 결합하거나, 세션 내 앱 순서·시간·사용자 움직임 등 추가 컨텍스트를 통합할 계획이다. 또한, 세션 타입 학습과 인지 상태 분류를 엔드‑투‑엔드 방식으로 공동 최적화하는 방법도 탐색 중이다. 결론적으로, 스마트폰 사용 로그만으로도 고령자의 인지 건강을 정밀하게 추정할 수 있음을 입증했으며, 세션 기반 구조화와 임베딩‑클러스터링‑선형 해석 모델이라는 설계가 높은 예측 성능과 직관적인 인사이트를 동시에 제공한다는 점에서 디지털 바이오마커 연구에 중요한 기여를 한다.