개인 맞춤형 해석 가능한 수면 예측 모델

초록

본 논문은 상업용 스마트워치에서 수집한 희소 일일 데이터 24개 변수를 활용해, 개인별 적응형 공간‑시간 모델을 구축한다. 병렬 1D‑CNN(다중 커널·확장) → 채널 어텐션 → 양방향 LSTM·셀프‑어텐션 구조를 통해 단기·장기 패턴을 동시에 포착하고, 두 단계 도메인 적응으로 신규 사용자의 데이터에 빠르게 전이한다. 입력 윈도우 3일, 예측 윈도우 1일 설정에서 RMSE 0.216을 달성했으며, 3일 예측에서도 0.257의 성능을 유지한다. SHAP 기반 설명 분석을 통해 심박·호흡·활동 지표가 수면 점수에 미치는 영향을 시각화하였다.

상세 분석

이 연구는 기존 수면 예측 연구가 고해상도 PSG 데이터나 블랙박스 딥러닝에 의존하는 한계를 극복하고자, 상업용 웨어러블(Garmin Vivosmart 5)에서 추출한 일일 요약값만을 사용한다는 점에서 데이터 효율성이 뛰어나다. 모델 아키텍처는 크게 네 단계로 구성된다. 첫 번째 단계는 서로 다른 커널 크기(3,5,7 등)와 dilation을 적용한 1D‑CNN을 병렬로 배치해, 급격한 생리 변화와 서서히 변하는 트렌드를 동시에 추출한다. 두 번째 단계인 채널 어텐션은 각 피처의 중요도를 동적으로 학습해, 개인별 특성에 맞는 가중치를 부여한다. 이는 피처 차원에서의 가변성을 확보함으로써, 동일 피처라도 사용자마다 다른 영향력을 반영한다. 세 번째 단계에서는 양방향 LSTM을 사용해 시간 순서의 전후 관계를 모두 고려하고, 이어지는 셀프‑어텐션 모듈이 장기 의존성을 강화한다. 특히, 셀프‑어텐션은 전체 시계열을 한 번에 바라보는 전역 컨텍스트를 제공해, 멀티데이 예측 시에도 일관된 성능을 유지한다. 마지막 단계인 두 단계 적응 전략은 (1) 사전 학습된 모델을 모든 사용자에 대해 공유하고, (2) 새로운 사용자가 등장하면 소량의 라벨 데이터만으로 미세조정하거나 테스트‑타임 어댑테이션(TTA)을 수행한다. 이 구조는 도메인 간 분포 차이를 최소화하면서도 개인화된 예측 정확도를 확보한다. 실험에서는 입력 윈도우를 3,5,7,9,11일, 예측 윈도우를 1,3,5,7,9일로 조합해 25가지 시나리오를 평가했으며, 전통적인 LSTM, Informer, PatchTST, TimesNet 등 최신 시계열 베이스라인을 모두 능가했다. 특히 3일 입력·1일 예측 조합에서 RMSE 0.216을 기록했으며, 3일 예측에서도 0.257이라는 비교적 낮은 오차를 유지해 실용성을 입증했다. 설명 가능성 분석에서는 SHAP 값을 이용해 각 피처가 수면 점수에 미치는 기여도를 시각화했으며, 심박 변동성, 깊은 수면 시간, 호흡 평균값 등이 주요 영향 요인으로 도출되었다. 이러한 결과는 모델이 단순히 예측만 하는 것이 아니라, 임상·생활 습관 개입을 위한 인사이트를 제공한다는 점에서 큰 의미가 있다. 전체적으로 데이터 효율성, 개인화 적응, 그리고 해석 가능성을 동시에 만족시키는 설계는 웨어러블 기반 수면 관리 시스템에 적용하기에 최적화된 솔루션이라 할 수 있다.