코르티솔 수준 추정

HRV 일중 변동, 수면 패턴, EDA(피부전기활동), 활동 패턴 등 웨어러블 생리 신호로 타액/혈액 코르티솔 검사를 대체하여 스트레스 호르몬 수준을 연속 추정하는 기술

개요

• 입력 시그널: HRV 일중 변동, 수면 패턴, EDA(피부전기활동), 심박수, 피부 온도, 가속도
• 대체 대상: 타액/혈액 코르티솔 검사
• 현재 성숙도: 초기 연구 단계. 이진 스트레스 분류(높음/낮음)는 상당 수준이나, 연속 코르티솔 농도 추정은 초기 단계.

주요 연구 및 논문

1. Cortisol Estimation Using Wearable Wristbands: Comparing Multilevel Modelling and Machine Learning (Saskovets, Lohachov & Liang, 2025)

• 출처: ResearchGate / IEEE GCCE 2025 (오사카)
• 핵심 내용: 웨어러블 손목밴드의 다중모달 생리 신호(HR, HRV, EDA, 가속도, 피부 온도)로 타액 코르티솔 농도를 직접 예측하는 연구. Random Forest(RF)와 다변량 다층 모델(MMM)을 비교.
• 방법론: 35명 참가자, 175개 타액 코르티솔 측정값. Empatica E4 웨어러블로 HR, HRV, EDA, ACC, TEMP 수집. 3-폴드 교차 검증으로 RF vs MMM 비교.
• 주요 결과: RF 모델 R² = 0.510 (RMSE = 0.877), MMM R² = 0.433 (RMSE = 0.947). EDA가 RF 모델에서 총 피처 중요도의 60%를 차지. EDA와 코르티솔 간 유의미한 양의 관계(p < 0.001). HRV와 ACC는 음의 기여.
• 의의: 웨어러블 생리 신호로부터 연속 코르티솔 농도를 직접 예측하는 최초의 체계적 비교 연구. EDA가 코르티솔 예측의 핵심 피처임을 입증.

2. Towards Personalized Stress Monitoring: Multilevel and ML Models for Cortisol Prediction (Saskovets, Lohachov, Karlsson & Liang, 2025)

• 출처: ResearchGate / ICMHI 2025 (교토)
• 핵심 내용: 위 연구의 확장으로, 개인화된 스트레스 모니터링을 위한 다층 모델링과 ML 접근법의 결합을 탐구.
• 방법론: 개인 간 변동성을 고려한 다층 모델링, 생리학적 해석 가능성과 예측 정확도의 균형 탐구.
• 주요 결과: 하이브리드 모델링(ML + 다층 모델)이 예측 정확도와 생리학적 해석 가능성 모두에서 유망한 접근법임을 제시.
• 의의: 실시간 예측과 스트레스 반응 역학 이해 사이의 균형점을 찾는 방법론적 기여.

3. Integrated Mental Stress Smartwatch Based on Sweat Cortisol and HRV Sensors (2024)

• 출처: ScienceDirect - Biosensors and Bioelectronics
• 핵심 내용: 땀 코르티솔 센서와 HRV 센서를 통합한 스마트워치를 개발하여 실시간으로 코르티솔과 HRV를 동시에 장기간 기록. 두 바이오마커 간의 관계를 실시간으로 관찰.
• 방법론: 땀 코르티솔 전기화학 센서 + 광학 HRV 센서를 스마트워치 폼팩터에 통합. 단기 스트레스 환경에서 동시 모니터링.
• 주요 결과: 단기 스트레스 환경에서 땀 코르티솔과 HRV 지수 간 음의 상관관계 확인. 실시간 동시 측정이 가능한 프로토타입 시연.
• 의의: 간접 추정이 아닌 직접적 비침습 코르티솔 측정과 HRV 동시 모니터링을 웨어러블 폼팩터에서 구현한 최초 사례.

4. Use of Machine Learning for Predicting Stress Episodes Based on Wearable Sensor Data: A Systematic Review (2025)

• 출처: ScienceDirect - Computers in Biology and Medicine
• 핵심 내용: 웨어러블 센서 데이터 기반 스트레스 에피소드 예측을 위한 ML 연구의 체계적 리뷰. EDA, HRV, PPG가 가장 많이 사용되는 신호이며, RF와 DNN이 최고 성능을 보임.
• 방법론: 체계적 문헌 고찰. 다양한 ML 알고리즘(Naive Bayes, KNN, SVM, RF, MLP, AdaBoost, LR) 및 DL 모델(CNN, LSTM, Transformer) 비교 분석.
• 주요 결과: RF와 DNN이 최대 99% 스트레스 예측 정확도 달성. EDA와 HR(또는 HRV)을 모두 포함한 연구가 일관되게 높은 성능. 두 신호 중 하나라도 제외하면 정확도 86% 미만.
• 의의: 웨어러블 기반 스트레스 감지의 현 수준과 한계를 종합적으로 정리. 이진 스트레스 분류는 높은 성숙도에 도달했으나 실제 코르티솔 농도 추정과는 차이가 있음을 시사.

5. Detection and Monitoring of Stress Using Wearables: A Systematic Review (Frontiers, 2024)

• 출처: Frontiers in Computer Science
• 핵심 내용: 웨어러블 센서 기반 스트레스 감지 및 모니터링의 진화를 체계적으로 리뷰. 생화학적 스트레스 지표(코르티솔)가 더 나은 감지/모니터링 능력을 제공하지만 침습적 측정이 필요하다는 근본적 딜레마를 분석.
• 방법론: 웨어러블 센서 유형, 데이터 수집 프로토콜, ML 모델, 스트레스 유도 방법론 등을 종합 비교.
• 주요 결과: Empatica E4가 가장 널리 사용되는 연구용 웨어러블. 공개 데이터셋(WESAD 등) 활용이 일반적이나 데이터셋 간 일반화 성능이 낮음. 코르티솔은 gold standard이지만 HPA 축 반응의 시간 지연(최대 90분)이 실시간 모니터링의 한계.
• 의의: 현재 웨어러블 스트레스 감지 기술의 포괄적 현황 파악에 유용. 코르티솔 직접 추정과 스트레스 이진 분류 사이의 기술적 격차를 명확히 함.

6. A Multi-modal Deep Learning Approach for Stress Detection Using Physiological Signals (Frontiers, 2025)

• 출처: Frontiers in Physiology
• 핵심 내용: 시간 도메인과 주파수 도메인 피처를 통합하는 다중모달 딥러닝 접근법으로 스트레스를 탐지. 기존 연구가 시간/주파수 피처를 분리하여 다루는 한계를 극복.
• 방법론: ECG, EDA 기반 시간-주파수 표현(STFT, CWT) 활용. CNN 및 Transformer 아키텍처 적용.
• 주요 결과: 시간+주파수 도메인 통합 접근이 단일 도메인 대비 유의미한 성능 향상. Transformer가 장거리 의존성 포착에서 우수.
• 의의: 다중모달 피처 통합이 스트레스(코르티솔 관련) 감지 정확도를 높이는 핵심 전략임을 입증.

7. Cross-Modality Investigation on WESAD Stress Classification (2025)

• 출처: arXiv 2502.18733
• 핵심 내용: WESAD 벤치마크 데이터셋에서 센서 모달리티 간 교차 분석. 어떤 신호 조합이 스트레스 분류에 가장 효과적인지 체계적으로 평가.
• 방법론: WESAD 데이터셋에서 ECG, BVP, EDA, TEMP, ACC 등 모달리티의 개별 및 조합 성능을 Transformer, CNN 등으로 비교.
• 주요 결과: 다중 모달리티 조합이 단일 모달리티 대비 일관되게 우수. EDA + HR 조합이 기본적으로 필수적.
• 의의: 코르티솔 추정을 위한 최적 센서 구성 설계에 참고가 되는 체계적 비교 데이터 제공.

상용화 동향

한계 및 과제

1. 코르티솔-HRV 상관관계의 약함: 종단 연구에서 코르티솔과 HRV 간 상관이 약하거나 불일치하는 경우가 빈번. HRV는 ANS 활동의 한 측면만 반영하며, HPA 축 반응(코르티솔)과 시간적 지연이 다름.
2. 일중 변동(diurnal variation): 코르티솔은 강한 일중 변동(아침 높고 저녁 낮음)을 보이며, 이를 고려하지 않으면 모델 정확도가 크게 저하. HRV도 수면, 수분, 질병, 월경 주기 등에 의해 교란.
3. 만성 스트레스 vs 급성 스트레스: ANS 반응(HRV/EDA로 측정)은 급성 스트레서 지속 기간에만 활성화되나, 코르티솔 반응은 스트레서 종료 후 최대 90분까지 지속. 만성 스트레스에서는 SNS 활성화 없이 코르티솔만 상승할 수 있어 웨어러블로 감지 불가.
4. 이진 분류 vs 연속 추정: 현재 대부분의 상용 제품은 "스트레스 높음/낮음" 이진 분류만 제공. 연속 코르티솔 농도 추정은 R² = 0.51 수준으로 임상 활용에 미달.
5. 소규모 데이터셋: 직접 코르티솔 측정이 포함된 연구는 대부분 35-175명 규모. 대규모 검증이 필요.
6. 땀 기반 직접 측정의 한계: 땀 코르티솔 측정은 유망하나 발한량 의존성, 센서 안정성, 혈중 코르티솔과의 상관관계 등 해결해야 할 과제가 많음.

참고 자료

• Generalizable ML for Stress Monitoring from Wearables (ScienceDirect, 2023)
• HRV Measurement through Smart Wearable Device (MDPI, 2023)
• Wearable Sweat Sensors Market Analysis (InsightAce, 2024)
• Epicore Biosystems Official
• Epidermal Wearable Optical Sensors for Sweat Monitoring (Nature, 2024)
• Stressor Type Matters: Cross-Dataset Generalizability (arXiv, 2024)