FOG 탐지 편향 해소: 현상별 불균형과 전이학습 기반 해결책

초록

본 연구는 파킨슨병 환자의 보행 정지 현상(Freezing of Gait, FOG) 탐지 모델이 연령·성별·질병 기간뿐 아니라 FOG 현상 유형(진동형·무동형)에서도 편향을 보임을 확인하였다. 기존의 임계값 최적화와 적대적 디바이싱 같은 전통적 편향 완화 기법은 효과가 없었으며, 다중 사이트 데이터를 활용한 전이학습이 공정성(DPR, EOR)과 전체 성능(F1) 모두를 유의하게 개선하였다.

상세 분석

이 논문은 파킨슨병 환자의 FOG를 웨어러블 센서 기반 인간 활동 인식(HAR) 모델로 자동 검출하는 과정에서 발생할 수 있는 편향(bias)과 공정성(fairness)을 체계적으로 평가한다. 연구자는 네 개의 공개 다중 사이트 데이터셋(Daphnet, De Souza, DeFOG, tDCS‑FOG)을 결합해 총 145명의 피험자를 확보했으며, 각 데이터셋은 센서 위치(발목, 허리, 대퇴 등), FOG 유발 프로토콜(Timed‑Up‑and‑Go, 회전 과제 등), 라벨 불균형(비FOG 86 %·진동형 82 %·무동형 18 %) 등에서 차이를 보였다.

평가에 사용된 다섯 가지 최신 HAR 모델은 랜덤 포레스트(RF), DeepConvLSTM, Masked Transformer, 그리고 최근 제안된 두 개의 딥러닝 아키텍처(2024‑2025년 논문 기반)이다. 모델들은 모두 동일한 전처리(슬라이딩 윈도우, Min‑Max 스케일링)와 교차 검증 파이프라인에 투입되었으며, 그룹 공정성 지표인 Demographic Parity Ratio(DPR)와 Equalized Odds Ratio(EOR)를 주요 평가 기준으로 삼았다.

편향 분석 결과, 모든 모델이 연령·성별·질병 기간뿐 아니라 특히 FOG 현상 유형(진동형 vs 무동형)에서 DPR·EOR이 0.8 이하로 떨어져 심각한 불공정성을 나타냈다. 기존 편향 완화 기법인 임계값 최적화는 DPR을 –0.126, EOR을 +0.063으로 오히려 악화시켰으며, 적대적 디바이싱은 DPR –0.008, EOR –0.001로 미미한 개선에 그쳤다.

반면, 다중 사이트 데이터를 활용한 전이학습(멀티‑사이트 트랜스퍼)과 대규모 사전학습 모델 파인튜닝은 공정성을 현저히 향상시켰다. 전이학습 적용 후 DPR은 +0.037(p < 0.01), EOR은 +0.045(p < 0.01)로 통계적으로 유의미한 개선을 보였으며, 전체 F1‑score도 +0.020(p < 0.05) 상승했다. 이는 다양한 센서 배치와 프로토콜을 포괄한 데이터가 모델의 일반화와 그룹 간 균형을 동시에 달성하는 데 핵심임을 시사한다.

또한, 논문은 공정성 평가를 단일 지표가 아닌 DPR·TPPR·FPRR·EOD 등 복합적인 관점에서 수행했으며, 특히 Equalized Odds Ratio를 최소(True Positive Parity, False Positive Parity) 중 낮은 값을 선택해 최악의 그룹 차이를 정량화했다. 이러한 다층적 평가 체계는 향후 의료 AI 모델의 편향을 진단하고 완화하는 데 표준이 될 수 있다.

결론적으로, FOG 탐지와 같은 임상적 중요성을 가진 HAR 모델은 단순히 전체 정확도만을 추구해서는 안 되며, 현상별·인구통계학적 그룹 간 성능 격차를 최소화하는 설계와 데이터 수집 전략이 필수적이다. 전이학습 기반 접근법은 현재 가장 효과적인 편향 완화 수단으로 부각되며, 향후 더 큰 규모의 다기관 데이터와 사전학습된 시계열 모델을 결합하면 더욱 공정하고 신뢰성 높은 디지털 바이오마커를 구현할 수 있을 것으로 기대된다.