우울증 환자의 스트레스, HRV로 자동 구분할 수 있을까?

기본 정보

제목: Automated classification of stress and relaxation responses in major depressive disorder, panic disorder, and healthy participants via heart rate variability
저자: Byun S, Kim AY, Shin MS, Jeon HJ, Cho CH
저널: Frontiers in Psychiatry
출판연도: 2025
DOI: 10.3389/fpsyt.2024.1500310
근거 수준: 종단 연구 (12주, 147명)

주요우울장애(MDD)와 공황장애(PD) 환자, 그리고 건강한 대조군 총 147명을 대상으로 HRV 기반 스트레스/이완 상태 자동 분류 모델을 개발한 연구다. 초기 분류 정확도는 67~73%에 불과했지만, 12주간의 종단 데이터로 개인화하자 90~96%까지 크게 향상되었다. 정신과 환자에서 HRV 해석이 건강인과 다르며, 개인화된 기준선이 필수라는 점을 수치로 입증한 논문이다.

1. 이 연구는 왜 필요했을까

주요우울장애(MDD, 지속적인 우울 기분과 흥미 상실을 특징으로 하는 정신질환)와 공황장애(PD, 반복적인 공황 발작을 특징으로 하는 불안장애)는 자율신경계 반응이 건강한 사람과 다르다고 알려져 있다. 그러나 이 차이가 HRV 기반 스트레스 자동 분류에 어떤 영향을 미치는지는 체계적으로 연구되지 않았다.

일반인을 대상으로 개발된 HRV 기반 스트레스 감지 알고리즘이 정신과 환자에서도 동일하게 작동하는지, 만약 다르다면 어떤 보정이 필요한지를 밝히는 것이 이 연구의 핵심 질문이었다. 특히 머신러닝 기반 분류 모델이 시간에 따른 개인별 패턴을 학습하면 정확도가 얼마나 향상되는지를 검증하고자 했다.

2. 어떻게 연구했을까

총 147명이 참여했다. MDD 환자 41명, PD 환자 47명, 건강한 대조군 59명으로 구성되었고, 환자군은 SSRIs(선택적 세로토닌 재흡수 억제제)나 SNRIs(세로토닌-노르에피네프린 재흡수 억제제) 등 표준 약물치료를 받고 있었다. 대조군은 정신과 병력이나 가족력이 없는 일반인에서 모집했다.

12주 동안 5회 실험실을 방문하여 연속 ECG(심전도)를 기록했다. 실험 프로토콜은 5단계로 구성되었는데, 각 5분씩 기준선 휴식, 정신 산술 스트레스 과제(500에서 7을 연속으로 빼기), 회복 휴식, 자연 이미지 이완 과제, 최종 회복 휴식 순서로 진행되었다.

각 구간에서 SDNN, RMSSD, pNN50(시간 영역), LF, HF, LF/HF ratio(주파수 영역), SD1, SD2(비선형 Poincare 지표) 등 20개의 HRV 특징을 추출했다. 분류에는 랜덤 포레스트(Random Forest)와 다층 퍼셉트론(MLP) 알고리즘을 사용했으며, SHAP(SHapley Additive exPlanations) 분석으로 특징 중요도를 평가했다.

3. 무엇을 발견했을까

초기 분류 정확도는 건강인에서 가장 높았다

랜덤 포레스트로 스트레스와 이완 상태를 분류한 초기 정확도는 건강 대조군에서 73%, PD에서 69%, MDD에서 67%였다. 건강한 사람일수록 스트레스와 이완 상태의 HRV 차이가 뚜렷하여 분류가 쉬웠고, 정신과 환자에서는 자율신경 반응이 둔화되어 분류가 더 어려웠다.

종단 데이터로 개인화하면 정확도가 대폭 향상된다

12주간의 데이터를 활용해 종단적 스케일링을 적용한 결과, MDD에서 67%에서 94%로(+27%p), PD에서 69%에서 90%로(+21%p), 건강 대조군에서 73%에서 96%로(+23%p) 정확도가 크게 올라갔다. 이는 시간에 따른 개인별 패턴을 학습하면 정확도가 대폭 향상된다는 것을 보여주며, 개인화된 기준선의 중요성을 수치로 입증한 결과다.

정신과 환자의 스트레스 반응은 둔화되어 있다

"건강 대조군이 더 큰 수의, 더 유의한 HRV 특징에서 더 큰 변동을 보였다."

건강한 사람은 스트레스 과제에서 HRV가 크게 감소하고, 회복 시 빠르게 복귀했다. 반면 MDD와 PD 환자는 스트레스에 대한 HRV 변화가 적고 회복도 덜했다. 13개 HRV 특징에서 세 그룹 간 유의한 차이가 관찰되었으며, SDNN, RMSSD, pNN50 등에서 환자군이 전반적으로 낮은 값을 보였다. 이러한 반응 둔화가 질환 자체의 영향인지 약물의 영향인지는 구분하기 어렵다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

이 연구는 HRV 기반 스트레스 감지 기능의 개인화 기간이 왜 중요한지를 보여준다. 초기 67~73%의 정확도가 개인화 후 90~96%까지 올라간 결과는, 앱에서 최소 2주 이상의 데이터 수집 기간을 두어야 한다는 근거가 된다. 온보딩 시 "처음 2주간은 당신만의 기준선을 설정하는 기간입니다. 이 기간이 지나면 맞춤형 인사이트의 정확도가 크게 올라갑니다"라는 안내를 제공할 수 있다.

또한 스트레스 반응성 추적 기능을 고려할 수 있다. 스트레스 이벤트 전후의 HRV 변화 패턴을 장기 추적하여, "4주 전보다 스트레스 상황에서 HRV 회복 속도가 빨라졌습니다"와 같은 피드백을 제공하는 것이다. 이완 활동(명상, 호흡 운동) 전후 HRV를 비교하여 어떤 이완 방법이 해당 사용자에게 가장 효과적인지 파악하는 기능도 가능하다.

콘텐츠 활용

"우울증과 HRV: 스트레스 반응이 다른 이유"
"HRV로 스트레스와 이완 상태를 구분할 수 있을까?"
"내 스트레스 반응성, HRV로 객관적으로 측정하기"

적용 시 주의사항

이 연구는 표준 약물치료를 받고 있는 환자를 대상으로 했으므로, 약물의 HRV 영향을 분리하기 어렵다. 앱에서 "정신건강 관련 진단이나 약물 복용 중이시면, HRV 해석이 다를 수 있습니다"라는 안내가 필요하다. 또한 실험실 환경에서의 결과이므로 실생활에서의 정확도는 다를 수 있으며, "~하는 것으로 나타났다" 수준의 표현이 적절하다.

5. 한계점

이 연구는 환자군이 약물 치료를 받고 있어서, 관찰된 HRV 패턴이 질환 자체의 영향인지 약물의 영향인지를 분리할 수 없다. 앱에서 정신건강 관련 기능을 개발할 때 약물 복용 여부를 반영한 알고리즘 조정을 고려해야 한다.

실험실에서 통제된 스트레스 과제(산술 과제)를 사용했으므로, 일상생활에서 경험하는 다양한 유형의 스트레스에 그대로 적용되는지는 별도의 검증이 필요하다. 표본 크기가 147명으로 적지 않지만, MDD와 PD 각각을 세분화하여 분석하기에는 충분하지 않을 수 있다.

마무리

이 연구의 핵심 메시지는 두 가지다. 첫째, HRV 기반 스트레스 분류는 개인화 없이는 정확도가 제한적이며, 종단 데이터로 개인화하면 90% 이상의 정확도를 달성할 수 있다. 둘째, 정신과 환자는 건강인과 다른 자율신경 반응 패턴을 보이므로, 일반인 기준의 알고리즘을 그대로 적용하면 부정확한 결과를 낼 수 있다.