특징 기반 궤적 군집화 종단 데이터 분석 혁신

초록

본 논문은 개인별 시간에 따라 측정된 값(궤적)을 다차원 특징 벡터로 변환한 뒤, 스펙트럴 클러스터링을 적용해 공통된 동적 패턴을 가진 집단을 자동으로 식별하는 새로운 알고리즘을 제안한다. 20개의 수학적 측정값을 이용해 각 궤적을 20차원 유클리드 공간에 매핑하고, 비선형 구조도 포착 가능한 스펙트럴 클러스터링으로 군집을 형성한다.

상세 분석

논문은 먼저 종단 데이터의 특성을 정의한다. 각 개인은 시간 t₁,…,t_N 에서 관측된 값 y₁,…,y_N 으로 구성된 궤적을 가진다. 이때 근본적인 연속 함수 f(t) 가 존재하지만 관측 시점 외에는 알 수 없으며, 측정 오차는 없다고 가정한다. 저자들은 f(t) 의 중요한 형태적 특성을 20개의 수치적 측정값(m₁~m₂₀) 으로 요약한다. 이 측정값들은 최대값, 최소값, 범위, 평균, 표준편차, 최적 선형 근사 기울기와 절편, 선형 근사의 설명력, 교차 횟수, 1차·2차 미분 근사값, 곡률, 변동성 등 다양한 관점을 포함한다. 각 측정값은 함수 수준의 정의를 트라젝터리 수준에서 수치 적분(트라페즈법)이나 차분을 통해 근사한다. 특히 1차·2차 미분은 인접 관측값을 이용한 중앙 차분 방식으로 계산되며, 이는 불균등 시간 간격에서도 적용 가능하도록 설계되었다.

이러한 20차원 특징 벡터는 각 궤적을 고유한 점으로 변환한다. 저자들은 기존 K‑means 나 잠재 클래스 모델이 거리 기반 군집에 머무는 반면, 스펙트럴 클러스터링은 유사도 행렬을 기반으로 비선형 구조를 탐지할 수 있기에 선택하였다. 스펙트럴 클러스터링 과정은 먼저 유사도 행렬을 구성하고, 라플라시안 행렬의 고유벡터를 추출해 저차원 임베딩을 만든 뒤, 전통적인 K‑means 로 최종 군집을 도출한다. 이 절차는 비볼록 형태의 군집도 효과적으로 구분할 수 있다.

실험에서는 인공 데이터와 실제 의료·환경 데이터에 적용해 기존 방법 대비 군집의 해석 가능성과 재현성을 검증한다. 특히 혈색소 수치와 같은 불규칙 측정 시계열에서, 최대·최소·평균·곡률 등 복합적인 특성을 동시에 고려함으로써 동일한 평균을 갖지만 변동 패턴이 다른 그룹을 구분하는 데 성공한다.

논문의 주요 기여는 (1) 종단 데이터의 기능적 특성을 포괄적으로 정량화한 20가지 측정값 제시, (2) 이러한 측정값을 기반으로 한 고차원 특징 공간 구축, (3) 비선형 군집 탐지를 위한 스펙트럴 클러스터링 적용, (4) 다양한 실제 데이터에 대한 실증적 검증이다. 또한, 측정값 설계가 함수 수준의 의미와 직접 연결되도록 함으로써 결과 해석이 직관적이며 도메인 전문가가 활용하기에 적합하도록 설계되었다.