Core Concepts
수면 소리 데이터를 활용하여 수면 만족도를 높은 정확도로 분류할 수 있는 해석 가능한 모델을 제안하였다. 수면 소리 이벤트의 클러스터링을 통해 수면 만족도 분류에 중요한 소리 이벤트를 식별하고, 데이터 증강을 통해 모델의 일반화 성능을 향상시켰다.
Abstract
이 연구는 수면 소리 데이터를 활용하여 수면 만족도를 분류하는 해석 가능한 모델을 제안하였다. 주요 내용은 다음과 같다:
수면 소리 이벤트를 추출하고 VAE를 통해 잠재 표현을 학습한 후, GMM 클러스터링을 수행하여 각 이벤트의 클러스터 멤버십 확률을 특징으로 사용하였다. 이를 통해 수면 소리 이벤트의 해석이 용이해졌다.
클러스터 멤버십 확률을 LSTM의 입력으로 사용하고, 데이터 증강을 통해 학습 데이터를 늘려 모델의 일반화 성능을 향상시켰다.
학습된 LSTM 모델에 TimeSHAP을 적용하여 수면 만족도 분류에 중요한 수면 소리 이벤트와 시간대별 특징을 분석하였다. 이를 통해 개인별 수면 특성을 파악할 수 있었다.
실험 결과, 제안 방법은 기존 방법 대비 높은 수면 만족도 분류 정확도를 달성하였다. 또한 TimeSHAP 분석을 통해 수면 만족도에 중요한 수면 소리 이벤트와 시간대별 특징을 해석할 수 있었다.
Stats
수면 만족 시 클러스터 3(호흡 소리)의 SHAP 값이 크게 나타나, 호흡 소리가 수면 만족도에 중요한 역할을 함을 확인하였다.
수면 불만족 시 클러스터 0(깊은 호흡 소리)의 SHAP 값이 상대적으로 크게 나타나, 깊은 호흡 소리가 수면 불만족에 기여함을 확인하였다.
참여자 1의 경우 수면 초기와 후기 단계에서 클러스터 0(깊은 호흡 소리)의 SHAP 값이 크게 나타나, 수면 무호흡 증후군 가능성이 있음을 시사한다.
참여자 2와 3의 경우 초기와 후기 단계에서 소음 클러스터의 SHAP 값이 크게 나타나, 소음이 수면을 방해하는 요인으로 작용함을 확인하였다.
Quotes
"수면 소리 이벤트의 클러스터링을 통해 수면 만족도 분류에 중요한 이벤트를 식별할 수 있었다."
"데이터 증강을 통해 모델의 일반화 성능을 향상시킬 수 있었다."
"TimeSHAP 분석을 통해 개인별 수면 특성을 파악할 수 있었다."