심박변동성으로 읽는 열쾌감 상태

초록

본 연구는 심박변동성(HRV)이 열쾌감(thermal comfort) 상태를 반영한다는 가설을 검증한다. 17명의 피험자를 대상으로 차가운, 중립적인, 뜨거운 세 가지 온도 조건에서 가벼운 사무 작업을 수행하게 하고, 통계적, 스펙트럼, 비선형 HRV 지표를 추출하였다. 추출된 지표들을 머신러닝 분류기에 입력한 결과, 피험자의 현재 열 환경을 93.7%까지 정확히 예측할 수 있음을 확인했다. 이는 실시간 개인 맞춤형 온도 제어 시스템에 HRV 기반 센서를 활용할 가능성을 시사한다.

상세 분석

이 논문은 열쾌감 연구에서 흔히 간과되는 생리학적 신호, 즉 심박변동성(HRV)을 새로운 지표로 도입함으로써 기존의 설문 기반 접근법을 보완하고자 한다. HRV는 자율신경계의 균형을 반영하는데, 특히 교감·부교감 활동 비율이 온도 변화에 민감하게 반응한다는 선행 연구가 있다. 저자들은 17명의 건강한 성인 피험자를 선정하고, 각각 차가운(≈18 °C), 중립(≈24 °C), 뜨거운(≈30 °C) 환경에서 30분씩 가벼운 사무 작업을 수행하도록 설계하였다. 실험 중에는 고해상도 ECG를 500 Hz로 수집하고, R‑peak 검출 후 NN 간격을 기반으로 시간 영역(SDNN, RMSSD), 주파수 영역(LF, HF, LF/HF 비율), 그리고 비선형 지표(SampEn, DFA) 등을 계산하였다. 통계 분석 결과, 차가운 환경에서는 교감성 활성화를 나타내는 LF 파워와 LF/HF 비율이 유의하게 증가했으며, 반대로 뜨거운 환경에서는 부교감성 지표인 HF 파워와 RMSSD가 감소하는 경향을 보였다. 비선형 분석에서는 샘플 엔트로피가 중립 환경에서 가장 높았으며, 이는 자율신경계의 복잡성이 최적 상태에 있음을 의미한다. 이러한 HRV 패턴을 기반으로 SVM, 랜덤 포레스트, KNN 등 5가지 머신러닝 분류기를 학습시켰으며, 교차 검증을 통해 평균 93.7%의 정확도를 달성하였다. 특히 랜덤 포레스트가 가장 높은 성능을 보였으며, 변수 중요도 분석을 통해 LF/HF 비율, RMSSD, SampEn이 핵심 특징임을 확인했다. 연구는 실험 설계의 제한점(피험자 수, 온도 구간의 이산성, 작업 유형의 단일성)에도 불구하고, HRV가 열쾌감 상태를 실시간으로 감지할 수 있는 유망한 바이오마커임을 입증한다. 향후 연구에서는 다양한 인구통계학적 변수와 장시간 실내 환경 데이터를 포함시켜 모델의 일반화 능력을 검증하고, 웨어러블 디바이스와 연계한 실시간 온도 제어 시스템을 구현하는 방향이 제시된다.