행동 데이터만으로 건강을 예측할 수 있을까?

기본 정보

제목: Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions
저자: Erturk, E., Kamran, F., Abbaspourazad, S., Jewell, S., Sharma, H. 외 다수 (Apple ML Research)
저널: arXiv (프리프린트)
출판연도: 2025
DOI: arXiv:2507.00191
PMID: -
근거 수준: 탐색적 분석 (대규모 코호트, 동료 심사 전)
URL: arxiv.org

이 연구는 Apple Heart and Movement Study 참여자 162,000명의 웨어러블 행동 데이터로 사전학습한 기반 모델 WBM(Wearable Behavior Model)을 개발하여, 57개 건강 관련 태스크에서 원시 센서 데이터 기반 모델보다 우수한 성능을 보였다. 특히 임신 감지에서 92% 정확도를 달성했으며, PPG 기반 모델과 결합한 하이브리드 접근이 가장 높은 성능을 보여 행동 데이터의 고유한 가치를 입증했다.

1. 이 연구는 왜 필요했을까

웨어러블 기기의 기반 모델(foundation model) 연구는 그동안 PPG나 가속도계 같은 저수준 센서 신호에 집중해왔다. 하지만 걸음수, 수면 시간, HRV 같은 행동 지표는 이미 사용자가 일상적으로 확인하는 해석 가능한 데이터임에도, 기반 모델 학습에는 거의 활용되지 않았다. 이러한 행동 데이터가 건강 예측에 독립적으로 기여할 수 있는지, 그리고 센서 데이터와 결합하면 시너지 효과가 있는지는 체계적으로 검증된 적이 없었다.

WBM은 162,000명 참여자의 150억 시간 이상의 행동 데이터로 학습한 최초의 대규모 웨어러블 행동 기반 모델이다.

2. 어떻게 연구했을까

연구진은 Apple Heart and Movement Study에서 수집한 27개 HealthKit 행동 지표를 활용했다. 걸음수, 보행 안정성, VO2 max, HRV, 수면 단계 등이 포함되며, 각 참여자의 주간 단위 데이터 블록을 Mamba-2 아키텍처로 처리했다. 시간별 데이터를 패치로 변환한 뒤 선형 레이어를 거쳐 Mamba-2에 입력하고, 시간 축으로 평균을 취해 주간 임베딩을 생성하는 방식이다.

평가는 57개 건강 관련 태스크에서 수행되었으며, 개인 수준 분류와 시간에 따라 변화하는 건강 상태 예측을 모두 포함한다. 비교 기준으로는 기존 PPG 기반 기반 모델을 사용했고, WBM 단독, PPG 단독, 하이브리드 모델의 성능을 비교했다.

3. 무엇을 발견했을까

WBM은 수면 품질 예측, 호흡기 감염 감지 등 행동 패턴이 중요한 태스크에서 PPG 기반 모델을 능가했다. 가장 주목할 만한 결과는 임신 감지로, 하이브리드 모델이 92%의 정확도를 달성했다.

47개 건강 결과 중 42개에서 하이브리드 모델이 최고 성능을 기록하여, 행동 데이터와 센서 데이터의 상보적 가치를 확인했다.

이 결과는 원시 센서 신호만으로는 포착하기 어려운 일상 행동 패턴의 변화가 건강 상태 변화의 조기 신호가 될 수 있음을 시사한다. 특히 수면, 활동, 심폐 체력 등의 행동 지표가 건강 예측에서 독립적인 정보를 제공한다는 점이 확인되었다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

HealthKit에서 수집 가능한 행동 지표를 활용한 건강 인사이트 기능을 설계할 수 있다. WBM의 접근 방식처럼, 개별 센서값이 아닌 행동 패턴의 종합적 변화를 추적하여 사용자에게 건강 상태 변화 알림을 제공할 수 있다.

콘텐츠 활용

"걸음수와 수면만으로 건강을 예측하는 AI가 온다"
"Apple 연구진이 발견한 행동 데이터의 숨겨진 건강 신호"

적용 시 주의사항

이 연구는 아직 동료 심사를 거치지 않은 프리프린트이며, Apple의 자체 데이터로 학습 및 평가되었다. 앱에서는 "초기 연구에 따르면 웨어러블 행동 패턴이 건강 변화와 관련이 있을 수 있다"는 수준의 표현이 적절하다.

5. 한계점

학습 데이터가 Apple Heart and Movement Study 참여자로 한정되어 있어, 특정 인구통계에 편향될 가능성이 있다. 또한 프리프린트 단계이므로 결과의 재현성이 독립적으로 검증되지 않았다. WBM이 생성하는 임베딩의 해석 가능성도 제한적이어서, 임상 환경에서의 설명 가능성 측면에서 추가 연구가 필요하다.

마무리

WBM은 걸음수, 수면, HRV 같은 일상적 행동 데이터만으로도 다양한 건강 상태를 예측할 수 있음을 대규모로 입증한 최초의 연구다. 행동 데이터와 센서 데이터의 결합이 단독 사용보다 일관되게 우수하다는 발견은, 웨어러블 기반 건강 예측 서비스의 설계 방향에 중요한 시사점을 제공한다.