[논문 리뷰] Impact of Physical Activity on Sleep:A Deep Learning Based Exploration

Aarti Sathyanarayana, Shafiq Joty외 6명|arXiv (Cornell University)|2016. 07. 24.

Context-Aware Activity Recognition Systems참고 문헌 29인용 수 73

한 줄 요약

이 연구는 웨어러블 가속도계 센서에서 얻은 원시 액티그라피 데이터를 사용하여 수면 품질을 예측하기 위한 딥러닝 접근법을 제안한다. 직접적으로 처리되지 않은 센서 데이터에 컨volutional 신경망(CNNs)을 적용함으로써, 최신 기술 수준의 고전적 모델 대비 수면 품질 예측 정확도를 8% 향상시켰으며, 수작업 특징 공학의 필요성을 제거하고 수면 및 신체 활동 연구의 임상 워크플로우를 단순화시켰다.

ABSTRACT

The importance of sleep is paramount for maintaining physical, emotional and mental wellbeing. Though the relationship between sleep and physical activity is known to be important, it is not yet fully understood. The explosion in popularity of actigraphy and wearable devices, provides a unique opportunity to understand this relationship. Leveraging this information source requires new tools to be developed to facilitate data-driven research for sleep and activity patient-recommendations. In this paper we explore the use of deep learning to build sleep quality prediction models based on actigraphy data. We first use deep learning as a pure model building device by performing human activity recognition (HAR) on raw sensor data, and using deep learning to build sleep prediction models. We compare the deep learning models with those build using classical approaches, i.e. logistic regression, support vector machines, random forest and adaboost. Secondly, we employ the advantage of deep learning with its ability to handle high dimensional datasets. We explore several deep learning models on the raw wearable sensor output without performing HAR or any other feature extraction. Our results show that using a convolutional neural network on the raw wearables output improves the predictive value of sleep quality from physical activity, by an additional 8% compared to state-of-the-art non-deep learning approaches, which itself shows a 15% improvement over current practice. Moreover, utilizing deep learning on raw data eliminates the need for data pre-processing and simplifies the overall workflow to analyze actigraphy data for sleep and physical activity research.

연구 동기 및 목표

• 딥러닝 모델이 원시 웨어러블 센서 데이터를 사용하여 수면 품질 예측을 향상시킬 수 있는지 조사하기 위해.
• 기존 기계학습 방법(예: 로지스틱 회귀, 랜덤 포레스트)과 비교하여, 다양한 딥러닝 모델(CNN, LSTM 등)이 사전 처리된 데이터와 원시 액티그라피 데이터 모두에서 성능을 어떻게 발휘하는지 평가하기 위해.
• 딥러닝이 고차원의 원시 입력을 처리할 수 있는 능력을 활용해 데이터 사전 처리 및 특징 추출을 제거할 수 있는지 타당성을 평가하기 위해.
• 소비자용 웨어러블 기기의 데이터를 활용하여 딥러닝의 수면 및 신체 활동 연구 분야 임상 잠재력 평가하기 위해.
• 딥러닝이 현재 수면 연구의 표준 실천 방식보다 높은 예측 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 연구는 다양한 딥러닝 모델, 즉 CNN, RNN, LSTM, 다층 퍼셉트론(MLP)에 원시 가속도계 데이터를 입력으로 사용한다.
• 비교를 위해 인간 활동 인식(HAR) 파이프라인을 활용하여 데이터를 레이블이 부여된 활동 특징으로 사전 처리한다.
• 컨volutional 신경망(CNN)은 원시 시계열 가속도계 데이터를 기반으로 수면 품질 예측에 기여하는 공간적 및 시간적 패턴을 탐지하도록 훈련된다.
• 최적의 성능을 위해 미니배치 크기, 드롭아웃 비율, 은닉층 크기 등의 하이퍼파rameter가 각 모델에 맞게 조정된다.
• 성능 평가에는 AU-ROC, F1-score, 정밀도, 재현율, 정확도, 민감도, 특이도와 같은 표준 지표가 사용된다.
• 사전 처리된 HAR 특징과 원시 센서 데이터를 기반으로 훈련된 모델을 비교함으로써, 딥러닝이 원시 입력에 대해 어떤 영향을 미치는지 분리하여 평가한다.

실험 결과

연구 질문

• RQ1 원시 가속도계 데이터를 기반으로 훈련된 딥러닝 모델이 고전적 기계학습 모델보다 수면 품질 예측 성능을 뛰어나게 할 수 있는가?
• RQ2 특징 공학 없이 원시 센서 데이터를 사용할 경우, 전통적인 HAR 기반 접근 방식에 비해 예측 성능 향상 정도는 어느 정도인가?
• RQ3 다양한 딥러닝 아키텍처(CNN, RNN, LSTM, MLP)가 원시 액티그라피 데이터에서 수면 품질 예측에 대해 어떻게 성능을 발휘하는가?
• RQ4 딥러닝 모델이 양호한 수면 패턴과 열악한 수면 패턴을 가진 개인을 식별하는 데 있어 민감도와 특이도는 각각 얼마인가?
• RQ5 딥러닝을 통해 액티그라피 기반 수면 연구에서 시간이 많이 소요되는 데이터 사전 처리가 제거될 수 있는가?

주요 결과

• 컨볼루션 신경망(CNN)이 원시 가속도계 데이터에서 가장 높은 성능을 보였으며, AU-ROC는 0.9456, F1-score는 0.9444, 정확도는 0.9286을 기록했다.
• 최신 기술 수준의 고전적 접근 방식과 비교해, CNN은 원시 데이터에서 추가로 8%의 성능 향상을 기록했다.
• 고전적 로지스틱 회귀 모델은 원시 데이터에서 성능이 열악하여 AU-ROC가 단지 0.6463에 그쳤으며, 이는 기존 모델이 처리되지 않은 입력에서의 한계를 보여준다.
• CNN 모델은 높은 민감도(0.9714)와 특이도(0.8571)를 보였으며, 양호한 수면 패턴과 열악한 수면 패턴을 모두 정확히 식별할 수 있는 능력을 보였다.
• MLP 모델는 원시 데이터를 사용할 경우 HAR 처리된 특징 대비 성능이 7% 향상되었으며, 이는 딥러닝에 있어 원시 입력의 가치를 시사한다.
• RNN과 LSTM 모델는 로지스틱 회귀 대비 중간 정도의 성능 향상을 보였지만, 순차적 데이터의 복잡성으로 인한 기울기 소실 문제로 한계를 보였다.