생체신호를 사용한 수면 및 각성 상태 예측 방법에 관한 연구
A Study on Prediction Methods for Sleep and Wakefulness States Using Biosignals
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
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.
Abstract
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.