시간과 주파수 도메인을 통합하면 스트레스 감지가 더 정확해질까?

기본 정보

제목: A Multi-modal Deep Learning Approach for Stress Detection Using Physiological Signals: Integrating Time and Frequency Domain Features
저자: Jun-Zhi Xiang, Qin-Yong Wang, Zhi-Bin Fang, James A. Esquivel, Zhi-Xian Su
저널: Frontiers in Physiology
출판연도: 2025
DOI: 10.3389/fphys.2025.1584299
PMID: -
근거 수준: 탐색적 분석

이 연구는 간호사의 직업적 스트레스를 대상으로 시간 도메인과 주파수 도메인 피처를 통합하는 다중모달 딥러닝 접근법(MMFD-SD)을 개발했다. 가속도, EDA, 심박수, 피부 온도에서 시간-주파수 표현(STFT, CWT)을 추출하고 맞춤형 CNN 아키텍처를 적용하여, 정확도 91%와 F1 점수 0.91을 달성했다. 기존 연구가 시간 도메인과 주파수 도메인을 분리하여 다루던 한계를 극복한 방법론적 기여이다.

1. 이 연구는 왜 필요했을까

생리학적 신호에는 시간적 패턴(신호의 크기, 변동성 등)과 주파수적 패턴(주기적 성분, 스펙트럼 특성 등)이 모두 존재한다. 기존 스트레스 감지 연구들은 이 두 도메인을 분리하여 분석하거나, 한쪽만 사용하는 경우가 많았다. 두 도메인의 정보를 효과적으로 통합하면 더 풍부한 특성을 포착할 수 있을 것이라는 가설이 있었지만 체계적 검증이 부족했다.

또한 실제 직업 환경에서의 스트레스는 실험실에서 인위적으로 유도한 스트레스와 다르다. 간헐적으로 발생하고 강도가 다양하며 여러 스트레서가 복합적으로 작용한다. 이 연구는 간호사라는 실제 고스트레스 직업군에서 시간-주파수 통합 접근법의 효과를 검증하고자 했다.

2. 어떻게 연구했을까

간호사 참가자들에게 웨어러블 디바이스를 착용하게 하여 가속도, EDA, 심박수, 피부 온도를 수집했다. 수집된 신호에 STFT(단시간 푸리에 변환)와 CWT(연속 웨이블릿 변환)를 적용하여 시간-주파수 표현을 생성했다.

맞춤형 CNN 아키텍처를 설계하여 시간 도메인과 주파수 도메인 피처를 통합적으로 학습했다. 간헐적 데이터 수집으로 인한 클래스 불균형 문제는 데이터 증강과 SMOTE(합성 소수 오버샘플링) 기법으로 해결했다. 기존의 전통적 분류기(SVM, Random Forest 등)와 성능을 비교하여 제안된 접근법의 우수성을 검증했다.

3. 무엇을 발견했을까

MMFD-SD 모델은 정확도 91%와 F1 점수 0.91을 달성하여, 전통적 분류기를 크게 앞질렀다.

시간 도메인과 주파수 도메인을 통합한 접근법이 단일 도메인만 사용한 경우보다 일관되게 우수한 성능을 보였다. 이는 두 도메인이 상호 보완적인 정보를 제공한다는 것을 실증적으로 확인한 결과이다.

간헐적 데이터 수집 환경에서도 데이터 증강 기법이 효과적으로 작동하여, 실제 직업 환경의 불규칙한 데이터 패턴에서도 안정적인 성능을 달성했다. 이는 실생활 적용 가능성을 높이는 중요한 실용적 결과이다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

FastingWorks 앱에서 스트레스 감지 모델을 개발할 때, HRV 신호의 시간-주파수 통합 분석을 적용할 수 있다. Apple Watch의 심박수 데이터에 CWT를 적용하여 주파수 성분을 추출하고, 시간 도메인 피처와 함께 모델에 입력하면 단일 도메인 접근보다 더 정확한 스트레스 추정이 가능할 수 있다.

콘텐츠 활용

"심장 리듬의 숨겨진 주파수 패턴이 스트레스를 말해준다"
"직장인의 스트레스, 웨어러블 AI는 91%를 감지한다"

적용 시 주의사항

91%의 정확도는 간호사라는 특정 직업군, 특정 웨어러블, 특정 환경에서의 결과이므로 일반화에 주의가 필요하다. 앱 사용자 대부분은 간호사가 아니며 스트레스 패턴도 다를 수 있으므로, 다양한 사용자 그룹에서의 검증이 선행되어야 한다.

5. 한계점

특정 직업군(간호사)에 한정된 연구로, 다른 직업이나 생활 환경에서 동일한 성능을 기대하기 어렵다. STFT/CWT 변환은 계산 비용이 상당하므로, 스마트워치에서의 실시간 온디바이스 처리가 가능한지 검토가 필요하다.

스트레스의 ground truth가 자가 보고인지 생화학적 측정인지에 따라 모델의 의미가 달라질 수 있다. 코르티솔을 직접 측정하지 않았다면, 이 모델이 감지하는 것은 "주관적 스트레스"이지 "코르티솔 수준"이 아닐 수 있다는 점을 인지해야 한다.

마무리

이 연구는 시간-주파수 도메인 통합 접근법이 웨어러블 기반 스트레스 감지의 정확도를 유의미하게 높인다는 것을 실제 직업 환경에서 입증했다. 다중모달 피처 통합이 스트레스 관련 코르티솔 추정의 핵심 전략이 될 수 있음을 보여주는 방법론적 기여이다.