생체신호를 사용한 수면 및 각성 상태 예측 방법에 관한 연구

A Study on Prediction Methods for Sleep and Wakefulness States Using Biosignals

본 논문에서는 생체신호를 이용하여 수면 및 각성 상태를 예측하는 모델을 제안하였다. 공개 데이터셋인 MMASH(Multilevel Monitoring of Activity and Sleep in Healthy People) 데이터에서 수면 및 각성 상태, 심박수, RR 간격, 가속도 벡터 크기, 걸음 수 정보를 10분 간격으로 추출하여 활용하였다. 데이터의 특성은 t-검정과 점양분 상관계수를 이용해 분석하였다. 전체 데이터(n = 2,495)의 약 70%를 트레이닝셋(n = 1,746)으로 사용하여 랜덤포레 스트 모델과 SVM(Support Vector Machine) 모델을 구축했고, 나머지 약 30%를 테스트셋(n = 749)으로 사용해 성능을 평가하였다. 랜덤포레스트 모델이 가장 좋은 성능을 보였고, 모든 변수를 사용해 92.7%의 정확도로 수면 및각성 상태를 분류할 수 있었다. 본 연구는 일상생활 환경에서 비침습적 생체신호와 기계학습모델을 활용한 수면 상태 예측 방법의 가능성을 제시하며, 향후 웨어러블 기기를 이용한 실시간 수면 모니터링 시스템 개발 연구에 활용될수 있을 것으로 기대된다.

This study proposes a model for predicting sleep and wake states using biosignals. Data on sleep and wake states, heart rate, RR intervals, acceleration vector magnitude, and step counts were extracted at 10-minute intervals from the publicly available Multilevel Monitoring of Activity and Sleep in Healthy People (MMASH) dataset. The characteristics of the data were analyzed using the t-test and point-biserial correlation coefficient. A total of 2,495 samples were used, of which approximately 70% (n = 1,746) were assigned to the training set in building the random forest and support vector machine models, and the remaining 30% (n = 749) were used as the test set to evaluate model performance. The random forest model achieved an accuracy of 92.7% in classifying sleep and wake states using all variables. This study demonstrates the potential of non-invasive biosignals combined with machine learning models for sleep state prediction in daily-life environments. This model is expected to contribute to the development of real-time sleep monitoring systems using wearable devices in future research.