행동 데이터 훈련…애플워치로 임신 검출 92% 정확도

애플이 지원하는 최신 연구는 운동이나 수면과 같은 행동 데이터가 심박수나 혈중 산소농도 같은 기존 생체측정보다 강력한 건강상태를 특정하기 위한 정보가 될 수 있는 가능성을 시사하고 있다. 또 이를 증명하기 위해 웨어러블 기기에서 수집한 행동 데이터로 훈련된 기초 모델을 개발한 결과 놀라울 정도로 뛰어난 성능을 확인할 수 있었다.

연구팀은 웨어러블 기기에서 수집된 25억 시간 이상 행동 데이터를 사용해 새로운 기초 모델을 훈련했다. 이 웨어러블 기기가 수집하는 행동 데이터를 기반으로 한 기초 모델은 심박수 센서 등이 출력하는 센서 데이터에 기반한 기존 모델’에 필적하는 성능을 발휘할 수 있다는 게 밝혀졌다.

연구팀은 웨어러블 기기가 수집하는 행동 데이터를 기반으로 한 기초 모델을 웨어러블 행동 모델(WBM)이라고 부르고 있다. 건강 관련 기존 기초 모델(PPG 모델)은 애플워치 심박수 센서나 심전도 같은 센서의 생데이터에 의존했던 반면 WBM은 걸음 수, 보행 안정성, 가동성, 최대 산소섭취량과 같은 지금까지 활용되지 않았던 행동 데이터를 훈련에 활용하고 있다. 이런 지금까지 활용되지 않았던 고차원 행동 데이터를 애플워치는 다수 생성한다.

스마트워치나 피트니스 트래커 센서 데이터는 노이즈가 많고 방대한 양이 되기 때문에 반드시 의미 있는 건강 데이터와 일치하지는 않는다. 하지만 고차원 행동 데이터는 센서에서 도출된 신중하게 검증된 알고리즘을 사용해 계산된 것으로 개인 행동에 민감하다는 점에서 중요하다. 예를 들어 보행 걸음걸이나 전체적인 활동 수준을 특징짓는 모빌리티 지표는 임신 등 변화하는 건강상태를 검출하는 데 도움이 되는 중요한 행동 요인이 될 수 있다.

WBM이 사용하는 지표는 센서 데이터에 기반하고 있지만 데이터는 현실 세계 행동이나 건강과 관련된 경향을 부각시키기 위해 정제되어 있다. 더 안정적이고 해석이 용이하며 장기적인 건강 경향을 모델화하기 위해 구조화되어 있다. 다시 말해 WBM은 센서 데이터에 직접 의존하지 않고 처리된 행동 데이터에서 발견된 패턴을 기반으로 학습한다.

WBM은 16만 1,855명에서 수집한 애플워치와 아이폰 데이터를 사용해 훈련됐다. WBM에서는 센서 데이터를 직접 활용하지 않고 활동 에너지, 보행 속도, 심박변이도, 호흡수, 수면시간 등 인간이 해석 가능한 27개 행동 지표가 훈련 데이터로 활용됐다.

데이터는 주 단위 블록으로 분할되어 Mamba-2 위에 구축된 새로운 아키텍처를 통과한다. 이 아키텍처는 기존 트랜스포머보다 뛰어난 성능을 발휘한다.

건강 관련 과제에서 평가한 결과 WBM은 47개 정적 건강 예측 과제 중 18개에서 강력한 PPG 기반 모델을 능가했다. 또 임신, 수면 질, 호흡기 감염증 검출 등 동적 과제에서는 하나를 뺀 모든 기존 모델 성능을 넘어섰다. PPG 모델이 더 뛰어난 성능을 발휘한 건 당뇨병이었다.

또 WBM과 PPG 두 데이터 표현을 결합해 전체적으로 가장 정확한 결과를 얻을 수 있었다. 이 하이브리드 모델은 임신 검출에서 놀라운 92%라는 정확도를 달성했다. 또 수면 질, 감염증, 부상, 심방세동 검출 같은 심혈관 관련 과제에서도 꾸준한 개선을 보였다.

WBM과 같은 모델은 장기적인 행동 신호를 포착할 수 있다. 반면 PPG 모델은 단기적인 생리학적 변화를 포착하는 게 가능하다. 이들을 결합해 지금까지보다 중요한 건강상태 변화를 조기에 감지할 수 있게 된다. 관련 내용은 이곳에서 확인할 수 있다.