손목밴드 생리 신호로 타액 코르티솔 농도를 직접 예측할 수 있을까?

기본 정보

제목: Cortisol Estimation Using Wearable Wristbands: Comparing Multilevel Modelling and Machine Learning
저자: Saskovets, Lohachov, Liang
저널: IEEE GCCE 2025 (오사카)
출판연도: 2025
DOI: -
PMID: -
근거 수준: 탐색적 분석 (학회 발표)
URL: www.researchgate.net

이 연구는 웨어러블 손목밴드에서 수집한 다중모달 생리 신호(HR, HRV, EDA, 가속도, 피부 온도)로 타액 코르티솔 농도를 직접 예측하는 최초의 체계적 비교 연구이다. Random Forest 모델이 R-제곱 0.510을 달성했으며, EDA(피부전기활동)가 총 피처 중요도의 60%를 차지하여 코르티솔 예측의 핵심 신호임을 입증했다. 웨어러블 생리 신호에서 연속 코르티솔 농도를 직접 추정할 수 있는 가능성을 체계적으로 보여준 의미 있는 연구이다.

1. 이 연구는 왜 필요했을까

코르티솔은 스트레스 호르몬으로 알려져 있으며, 만성적으로 높은 코르티솔은 대사 이상, 면역 억제, 수면 장애 등 다양한 건강 문제와 연관된다. 현재 코르티솔 측정은 타액, 혈액, 소변 검사를 통해 이루어지며, 연속적 모니터링이 불가능하다.

기존 웨어러블 기반 스트레스 연구는 대부분 "스트레스 높음/낮음"의 이진 분류에 초점을 맞추었지, 실제 코르티솔 농도를 연속적으로 추정하려는 시도는 거의 없었다. 이진 분류는 실용적이지만 코르티솔의 정량적 변화를 추적할 수 없어, 만성 스트레스 관리나 일중 변동 모니터링에는 한계가 있다.

2. 어떻게 연구했을까

35명의 참가자를 대상으로 175개의 타액 코르티솔 측정값을 수집했다. 동시에 Empatica E4 웨어러블로 심박수(HR), HRV, EDA(피부전기활동), 가속도(ACC), 피부 온도(TEMP)를 연속적으로 기록했다.

두 가지 모델링 접근법을 비교했다. Random Forest(RF)는 비선형 관계를 포착하는 ML 모델이고, 다변량 다층 모델(MMM)은 개인 간 변동성을 통계적으로 고려하면서 각 변수의 기여를 해석 가능하게 분석하는 통계 모델이다. 3-폴드 교차 검증으로 두 모델의 예측 성능을 비교했다.

3. 무엇을 발견했을까

RF 모델이 R-제곱 0.510(RMSE 0.877)을 달성하여 MMM(R-제곱 0.433, RMSE 0.947)보다 우수한 성능을 보였다.

피처 중요도 분석에서 가장 주목할 발견은 EDA가 RF 모델에서 총 피처 중요도의 60%를 차지했다는 것이다. EDA와 코르티솔 간에는 유의미한 양의 관계(p < 0.001)가 확인되었으며, HRV와 가속도는 음의 기여를 보였다. 이는 피부전기활동이 코르티솔 수준을 반영하는 가장 직접적인 생리 신호임을 시사한다.

MMM은 예측 성능은 RF보다 낮았지만, 개인 간 변동성과 각 변수의 생리학적 기여를 해석 가능하게 분석할 수 있다는 장점이 있어, 임상적 해석과 모델 신뢰성 측면에서 보완적 가치가 있다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

Apple Watch에 EDA 센서가 탑재된다면(현재 Samsung Galaxy Watch에는 있음), HRV와 EDA를 결합하여 코르티솔 수준의 추정치를 제공하는 기능을 구현할 수 있다. 단식 중 스트레스 호르몬 변화를 추적하면 사용자의 단식 적응도를 평가하는 데 활용할 수 있다.

콘텐츠 활용

"피부전기활동이 스트레스 호르몬의 열쇠인 이유"
"웨어러블로 코르티솔을 추정한다? 현재 기술 수준은"
"단식 중 코르티솔 변화와 HRV의 관계"

적용 시 주의사항

R-제곱 0.510은 코르티솔 변동의 절반 정도만 설명할 수 있다는 뜻이므로, 임상적 코르티솔 측정을 대체할 수 없다. 앱에서는 "스트레스 수준의 경향성을 파악하는 참고 지표" 수준의 표현이 적절하다. EDA 센서가 없는 Apple Watch에서는 HRV만으로 한정된 추정을 해야 하므로 성능이 크게 저하될 수 있다.

5. 한계점

35명, 175개 측정값이라는 소규모 데이터셋으로, 대규모 검증이 이루어지지 않았다. EDA가 핵심 피처인데 대부분의 소비자 스마트워치(특히 Apple Watch)에는 EDA 센서가 없어, 실제 제품 적용 시 EDA 없는 모델의 성능을 별도로 평가해야 한다.

코르티솔의 강한 일중 변동(diurnal variation, 아침에 높고 저녁에 낮음)을 모델이 어떻게 처리했는지, 그리고 이 일중 패턴이 아닌 스트레스에 의한 변동을 정확히 분리할 수 있는지에 대한 분석이 부족하다.

마무리

이 연구는 웨어러블 생리 신호에서 연속 코르티솔 농도를 직접 예측할 수 있음을 체계적으로 보여준 최초의 비교 연구이다. EDA의 핵심적 역할을 규명한 것은 향후 코르티솔 추정 모델 개발에 중요한 지침이 된다.