[논문 리뷰] Intra-day Activity Better Predicts Chronic Conditions

Tom Quisel, David C. Kale외 1명|arXiv (Cornell University)|2016. 12. 04.

Context-Aware Activity Recognition Systems참고 문헌 6인용 수 6

한 줄 요약

이 연구는 스마트워치 기반의 내일 활동 패턴—특히 분 단위의 보행 및 수면 데이터—이 자가 보고한 만성질환 예측에 크게 기여함을 보여준다. 특히 정신건강 및 신경계 질환 예측에 있어 뛰어난 성능을 발휘한다. 다중 작업 컨volution 신경망(CNN)을 다변량 시계열 데이터에 적용한 모델은 기준 모델 대비 뛰어난 성능(AUC = .719)을 기록하였으며, 일 단위 데이터보다 분 단위 데이터가 통계적으로 유의미한 향상을 이끌어냈다.

ABSTRACT

In this work we investigate intra-day patterns of activity on a population of 7,261 users of mobile health wearable devices and apps. We show that: (1) using intra-day step and sleep data recorded from passive trackers significantly improves classification performance on self-reported chronic conditions related to mental health and nervous system disorders, (2) Convolutional Neural Networks achieve top classification performance vs. baseline models when trained directly on multivariate time series of activity data, and (3) jointly predicting all condition classes via multi-task learning can be leveraged to extract features that generalize across data sets and achieve the highest classification performance.

연구 동기 및 목표

• 비활동적 웨어러블 트래커에서 유도된 내일 활동 패턴이 자가 보고한 만성질환 예측에 기여하는지 조사한다.
• 일 단위에서 분 단위로 시간 해상도를 높일 경우 정신건강 및 대사·순환기 질환 예측 성능에 미치는 영향을 평가한다.
• 딥 러닝 모델(CNN, RNN)이 기존 기준 모델(로지스틱 회귀, 랜덤 포레스트)보다 원시 데이터 및 가공된 특징에서 성능을 어떻게 높이는지 비교한다.
• 다중 작업 학습이 관련된 건강 질환 간 일반화 능력과 성능 향상에 기여하는지 평가한다.
• 각 데이터 레이어(인구통계학적 정보, 건강 지표, 일 단위 활동, 분 단위 보행/수면)가 분류 성능에 기여하는 정도를 정량화한다.

제안 방법

• 연구는 7,261명의 사용자로부터 확보한 인구통계학적 정보, 건강 지표, 일 단위 활동, 분 단위 보행 및 수면 요약 통계를 포함한 일일 기준 74개 특징의 다변량 시계열 입력을 사용한다.
• 모델은 각 시계열(예: 보행 수)을 별도로 처리하는 이중 단계의 단변량 CNN 아키텍처를 활용하며, 최종 분류를 위해 특징을 연결한다.
• 8개 및 4개의 필터를 사용하며, 커널 크기는 각각 7과 5, 스트라이드 2로 설정하고, 최대 풀링(커널 크기 2, 스트라이드 2)을 거친 후 300개 유닛의 완전 연결층을 적용한다.
• 다중 작업 학습은 6개 정신건강/신경계 질환 및 3개 대사/순환기 질환 총 9개 질환을 동시에 학습하여 유사 작업 간 특징 일반화 능력을 향상시킨다.
• 성능 평가에는 4겹 교차검증을 사용하며, 주요 평가 지표로 AUC를 사용하고, 각 폴드 및 작업 간 유의성은 대응 t-검정을 통해 확인한다.
• 데이터 누락은 불완전으로 간주되는 일수를 제거한 후 사용자별 선형 보간법을 통해 보정한다.

실험 결과

연구 질문

• RQ1 분 단위 해상도의 내일 활동 데이터가 일 단위 데이터보다 만성질환 예측 성능을 향상시키는가?
• RQ2 다양한 만성질환에 대해 다중 작업 학습을 적용할 경우 단일 작업 학습 대비 모델 성능에 어떤 영향을 미치는가?
• RQ3 인구통계학적 정보, 건강 지표, 일 단위 활동, 분 단위 보행/수면 데이터 중 어느 레이어가 예측 정확도 향상에 가장 기여하는가?
• RQ4 원시 시계열 데이터를 기반으로 훈련된 CNN과 같은 딥 러닝 모델이 기존 머신러닝 모델(예: 로지스틱 회귀, 랜덤 포레스트)보다 성능이 뛰어나게 되는가?
• RQ5 높은 시간 해상도 데이터의 이점은 정신건강 질환과 대사/순환기 질환 군 간 일관되게 나타나는가?

주요 결과

• 다중 작업 CNN은 전체적으로 가장 높은 AUC .719를 기록하였으며, 단일 작업 CNN(.704, p = .01)보다 유의미하게 높은 성능을 보였다.
• 분 단위 수면 데이터는 정신건강/신경계 질환 예측에 AUC .019의 가장 큰 증가 기여를 하였으며(p = .003), 유의미한 향상이 있었다.
• 분 단위 보행 데이터는 정신건강/신경계 질환 군에서 AUC .008의 향상 기여를 하였으며(p = .022), 일 단위 활동 데이터는 AUC .021의 향상 기여를 하였다(p < .001).
• MT CNN는 제2형 당뇨병 예측에서 AUC .821을 기록하여 공유 특징 학습 덕분에 희귀 질환에 대해서도 뛰어난 성능을 보였다.
• 원시 데이터 기반의 로지스틱 회귀(AUC .642)에 비해 CNN이 뛰어난 성능을 보였으며, 수작업 특징 엔지니어링 없이도 딥 러닝이 효과적인 표현을 학습할 수 있음을 시사한다.
• 대사/순환기 질환의 경우, 인구통계학적 정보 및 기본 건강 지표만으로도 성능이 충분히 높았으며, 높은 시간 해상도 데이터는 유의미한 추가 기여를 하지 못했다.