Feasibility 분석: "음식 기록으로 훈련 → 음식 기록 없이 예측" 전략

핵심 질문

FastingWorks 사용자가 초기에 음식/영양 기록을 충실히 하면, 그 데이터로 개인화된 모델을 훈련시켜 나중에는 웨어러블 신호(HRV, HR, 수면, 활동)만으로도 혈당 반응을 예측할 수 있는가?

결론 요약

Feasible하다. 단, 예측 범위에 제약이 있다.

• 웨어러블 신호만으로 혈당 트렌드와 변동성은 예측 가능 (R² 0.73, RMSE 11.9 mg/dL)
• 식후 급격한 혈당 스파이크의 정확한 크기는 음식 데이터 없이는 한계
• "음식 기록 없이도 대사 건강 상태를 알려준다"는 포지셔닝은 연구 근거가 충분

---

근거 논문 정리

1. 음식 기록 없이 웨어러블만으로 예측한 연구

논문 A: Huang et al. (2025) — 음식 기록 없는 혈당 예측의 최고 성과

• 제목: Development of Non-Invasive Continuous Glucose Prediction Models Using Multi-Modal Wearable Sensors in Free-Living Conditions
• 출처: MDPI Sensors
• 핵심: 음식 기록, 활동 기록, 임상 지표를 의도적으로 모두 제외하고, 웨어러블에서 자동 수집되는 데이터만 사용
• 입력 데이터: EDA(피부전도), 피부 온도, BVP(혈류량), HR, 가속도계 — 모두 자동 수집
• 모델: XGBoost
• 성과: R² = 0.73, RMSE = 11.9 mg/dL, Clarke Error Grid Zone A+B 99.4%
• 핵심 피처: 생물학적 성별, 일주기 리듬(circadian rhythm), 행동 패턴, EDA tonic 성분
• 의미: 음식 기록 없이도 R² 0.73 달성 가능이라는 가장 강력한 근거

논문 B: Huang et al. (2024) — 웨어러블 센서만으로 feature learning 비교

• 제목: Comparison of Feature Learning Methods for Non-Invasive Interstitial Glucose Prediction Using Wearable Sensors in Healthy Cohorts
• 출처: Intelligent Medicine
• 핵심: "현실에서 대부분의 사람들이 식사를 정확히 기록하고 추적하는 것은 어렵기 때문에, 음식 기록 없이 웨어러블 센서 데이터만으로 혈당 예측"
• 입력 데이터: EDA, 피부 온도, BVP, HR (Empatica E4)
• 모델: BiLSTM
• 성과: RMSE 13.42 mg/dL, MAPE 0.12
• 의미: 침습적 혈당 측정 → 비침습적 측정으로의 knowledge transfer 가능성 제시

논문 C: PMC Smartwatch Study (2024) — 활동 기록이 예측을 개선하지 않음

• 제목: Enhanced Blood Glucose Levels Prediction with a Smartwatch
• 출처: PLOS ONE / PMC
• 핵심 발견: "기록된 활동(음식 섭취, 음료, 운동)은 혈당 예측을 개선하지 않았다. 반면, 스마트워치 센서(심박수, 걸음 감지) 데이터는 유의미하게 예측을 개선했다."
• 의미: 수동 입력(음식 기록)보다 자동 수집(웨어러블 센서)이 더 효과적일 수 있음

논문 D: Azam & Singh (2025) — HRV + 수면만으로 혈당 예측

• 제목: Age-Normalized HRV Features for Non-Invasive Glucose Prediction: A Pilot Sleep-Aware ML Study
• 출처: arXiv
• 입력 데이터: 수면 중 HRV만 사용 (음식, 활동, HR 모두 제외)
• 모델: BayesianRidge regression
• 성과: R² = 0.161 (연령 정규화 후), 84.1% 예측이 ±1.5 mmol/L 이내
• 핵심 피처: REM 수면 단계의 HRV가 가장 강한 예측력 (r = 0.443)
• 의미: HRV 단독으로는 한계가 있으나, Tab0처럼 다중 신호 조합이면 크게 개선 가능. 또한 Tab0의 chronologicalAgeYears 피처가 중요함을 확인 (연령 정규화 25.6% 개선)

---

2. 음식 기록을 사용하되, 피처 기여도를 분석한 연구

논문 E: Duke University / January AI 기반 연구 (2021) — 피처 기여도 분석

• 제목: Engineering Digital Biomarkers of Interstitial Glucose from Noninvasive Smartwatches
• 출처: npj Digital Medicine
• 입력 데이터: 스마트워치(Empatica E4) + 음식 기록 + 인구 통계
• 성과: 84-87% 정확도
• 피처 기여도 분석:
  • 49.3% — 웨어러블 센서 (HR, EDA, 피부 온도, 가속도계)
  • 37.0% — 음식 기록
  • 10.8% — 사용자 입력 (성별, HbA1c)
  • 2.9% — 개인화
• 의미: 웨어러블 데이터가 음식 데이터보다 더 큰 기여도. 음식 기록 없이도 예측의 약 50%는 유지 가능.

---

3. "훈련 후 배포" (Train-then-Deploy) 패러다임 연구

논문 F: January AI — Virtual CGM (2024)

• 제목: Digital Health Application Integrating Wearable Data and Behavioral Patterns Improves Metabolic Health
• 출처: npj Digital Medicine
• 방법: 5일간 CGM + HR + 음식 기록으로 훈련 → CGM 제거 후 HR + 음식 기록만으로 예측
• 성과: CGP(CGM 있을 때) 10.3% 오차, VCGM(CGM 없을 때) 13.0% 오차
• 중요: VCGM 모드에서도 음식 기록은 여전히 필요. January AI는 "음식 기록 없이 예측"까지는 가지 않음.
• 의미: "훈련 시 데이터 → 배포 시 축소"라는 2단계 전략은 검증됨. Tab0는 이를 한 단계 더 밀어서 "음식 기록도 없이"를 목표로 함.

논문 G: Meta-Transfer Learning (2025) — 4일 만에 개인화

• 제목: Enhancing Personalized Blood Glucose Prediction in Type 1 Diabetes with Meta-Transfer Learning
• 출처: ScienceDirect
• 방법: 인구 수준(population) 모델을 LSTM으로 사전 훈련 → 개인별 데이터 4-7일로 fine-tuning
• 성과: 7일 데이터로 RMSE 15.52 mg/dL, 4일 만에 RMSE 16 mg/dL 이하
• 의미: "짧은 훈련 → 개인화" 패러다임이 작동함. Tab0에 적용 시: FastingWorks 사용자 데이터로 population 모델 훈련 → 개인별 4-7일 fine-tuning

논문 H: ARISES / MAML (2022) — 하루 만에 개인화

• 제목: Enhancing Self-Management in Type 1 Diabetes with Wearables and Deep Learning
• 출처: npj Digital Medicine
• 방법: MAML(Model-Agnostic Meta-Learning)로 메타 모델 훈련 → 개인별 1일 데이터로 fine-tuning
• 성과: 1일 fine-tuning으로 RMSE 39.37 (60분 예측), transfer learning 대비 우수
• on-device 구현: TensorFlow Lite, 1.2 MB, 추론 5.7 ms
• 의미: 1일 데이터로 개인화 가능 + on-device 추론 가능 → Tab0의 CoreML 기반 구현에 직접 적용 가능

---

4. "음식 기록 없이도 되는 이유"에 대한 과학적 설명

논문 I: Digital Biomarkers for IG Prediction (2025)

• 출처: Scientific Reports
• 핵심 인사이트: 단일 센서 모달리티와 혈당 간에는 선형/비선형 상관이 모두 R² < 0.15로 낮지만, 다중 모달리티 ML 조합은 유의미한 예측력을 보임
• 의미: HRV 하나, HR 하나로는 안 되지만, Tab0처럼 7종을 조합하면 효과적

자율신경계 매개 메커니즘

웨어러블 신호가 혈당을 간접 예측할 수 있는 이유:

1. 혈당 상승 → 교감신경 활성화 → HR 상승 + HRV 감소: 식후 혈당 스파이크가 자율신경계 반응을 유발하며, 이것이 HR/HRV에 반영됨
2. 수면의 질 → 인슐린 감수성: 수면 부족은 다음 날 인슐린 저항성을 높여 혈당 반응을 악화시킴
3. 단식 기간 → 인슐린 감수성 개선: 장시간 단식 후 인슐린 감수성이 개선되어 같은 음식에 대한 혈당 반응이 달라짐
4. 일주기 리듬: 같은 음식을 아침 vs 저녁에 먹으면 혈당 반응이 다름 — 이는 시간대 피처로 포착 가능

즉, 웨어러블 신호는 "음식이 뭔지"는 모르지만, "몸이 음식에 어떻게 반응할 준비가 되어 있는지"는 알 수 있다.

---

Tab0 전략 제안: 3단계 모델 진화

Phase 0: 현재 (Rule-based) — 즉시 가능

입력: HRV + HR + 수면 + 영양(optional) + 단식 + VO2 Max + 보행속도
모델: 고정 가중합 (문헌 기반)
출력: 상대 점수 0-100

이미 구현됨. "참고 지표" 수준이나, 사용자 데이터 축적의 시작점.

Phase 1: 개인화 가중치 학습 (On-device) — 2-3개월 내 구현 가능

입력: 동일 7종 + 시간대(circadian)
모델: 개인별 선형 회귀 또는 경량 트리 모델 (CoreML MLUpdateTask)
훈련: 사용자의 14-30일 데이터로 개인별 가중치 최적화
출력: 개인화된 상대 점수

• 음식 기록이 있는 날의 데이터를 "정답 라벨"로 사용 (예: 탄수화물 많은 식사 후 HR/HRV 변화 패턴)
• 음식 기록이 없는 날에도 HR/HRV/수면 패턴으로 "오늘의 대사 준비 상태" 추론
• 논문 근거: Meta-Transfer Learning 4일 만에 RMSE 16 이하 달성 (논문 G)

Phase 2: Population + Personal 2단계 모델 — 6-12개월 내

입력: 동일 + FastingWorks 사용자 풀의 익명화 데이터
모델: Population LSTM → 개인별 MAML fine-tuning (CoreML)
훈련: Population 모델 서버 학습 → on-device 1-7일 fine-tuning
출력: 개인화된 혈당 반응 곡선 (상대 스케일)

• FastingWorks 사용자 기반으로 population 모델 학습
• 개인별 1-7일 데이터로 on-device fine-tuning (MAML 접근, 논문 H)
• TensorFlow Lite 기준 1.2 MB, 추론 5.7 ms — CoreML은 이보다 효율적
• 음식 기록 있으면 정확도 향상, 없어도 작동 (Graceful degradation)

Phase 3: Virtual CGM 도전 — 12개월+

입력: 7종 웨어러블 + CGM 14일 학습 (optional)
모델: 개인화 딥러닝 (Transformer or BiLSTM)
출력: 연속 혈당 곡선 추정 (mg/dL 상대값)

• CGM을 가진 사용자가 14일간 동시 착용하면 개인화된 "Virtual CGM" 모드 활성화
• January AI의 VCGM과 유사하나, HRV + 수면 + 단식 피처로 차별화
• CGM 없는 사용자는 Phase 2 수준으로 작동

---

January AI와의 비교: 우리가 잘할 수 있는 것

---

참고 문헌 목록