1. 서 론

최신 의료 체계의 발전은 질병의 발생 후의 치료에서 나아가 질병을 예방하고 건강을 관리하는 방향으로 발전하고 있다. 일반적으로 환자는 질병이 발생한 후 혹은 진행 중 병원에 방문하여 환자의 상태를 분석하여 질병에 대한 진단 및 치료를 진행한다. 예방중심의학에서는 평소의 건강 상태 및 생활 습관의 관리를 통해서 보다 선제적으로 건강을 관리하고, 질병이 발생하고 내원했을 때의 질병 상태뿐 아니라, 일상 생활상의 다양한 신체 상태 및 생리 정보, 그리고 행동, 생활 습관을 관찰하여 보다 질병에 위험한 다양한 상황을 피하여 보다 실용적이면서 예방적인 차원으로 질병에 대비한다. Li et al. ⁽²⁾에 따르면 “현재까지는 웨어러블 디바이스의 사용과 역할이 제한적이고, 초기 단계에 머물러 있지만 기기 자체의 기술적 발전과 더불어 이들이 제공하는 정보를 활용하는 방법에 대한 연구가 활발히 이루어지면 단순 건강 관리 차원이 아닌 질병의 진단 및 치료에서 중요한 역할을 하게 될 것”이라고 전망한다. 이러한 적극적인 건강 관리와 질병 통제를 위해서, 기본적으로 갖추어야 할 시스템이 상시 환자 모니터링 체계이다. 이러한 요구에 따라, 최근에는 생체정보 및 생리정보 빅데이터를 활용한 AI 개발을 위해서 데이터를 상시적으로 수집할 수 있는 기기 및 수집된 데이터를 분석할 수 있는 시스템이 필요하다. 이와같은 모니터링 체계는 1) 대상에 대한 밀접 관찰을 위한 모바일기기, 2) 대상의 신체 상태를 저장하는 실시간 로깅 시스템, 그리고 3) 저장된 데이터를 체계적으로 관리하여 질병 관리자에게 보고하는 모니터링 보드가 필수적이다. 또한 빅데이터 분석과 이를 활용한 AI 기술 개발을 위해서, 수집 데이터를 레이블링할 수 있는 방법도 필수적으로 요구되고 있다.

그림. 1. MiT Eco-Platform 개념

Fig. 1. The concept of MiT Eco-Platform

이러한 시스템은 향후 점증적으로 확대될 비대면 진료에서도 중요한 역할을 차지한다. 최근 팬데믹과 같이 환자의 병원 방문이 제한되는 경우, 직접적으로 환자로부터 정보를 얻기는 매우 어렵다. 이를 대비하기 위한 방법으로써 AI를 활용이 적극적으로 제시되고 있다. AI를 활용하여 질병을 진단하고 질병 치료의 긴급성에 따른 우선순위를 결정한다. 즉 비의료 기관에서 비교적 접근성이 좋은 의료 장비를 통해서 환자의 건강 상태 혹은 질병에 대한 정보를 얻고, AI를 통해서 1차적으로 진료의 긴급성을 판단한 후, 환자에게 의료기관 방문에 대한 우선순위를 결정하는 것이다. 이러한 방법은 우선순위를 정하는데 도움을 주고, 정말 신속한 진료를 필요로 하는 환자에게 우선적으로 진료를 수행하여 환자의 생명을 유지하면서 의료 기관의 부하를 줄일 수 있다. 이러한 체제에서 가장 중요한 것이 현장에서 사용되는 의료 장비와 AI의 성능이다. 비의료 기관 현장 진단에 사용되는 장비는 의료기관에서 사용되는 장비에 비해 단순하거나 원시적일 수 있다. 따라서 AI는 진단의 정확성뿐 아니라 진단 장비의 성능을 최대한 향상 시킬 수 있는 성능을 지녀야 한다. 이러한 실시간 건강 상태 모니터링 체계는 COVID-19과 같은 팬데믹 상황에서 더욱 효과적이다. 최근 Mishra et al. ⁽¹⁾, Natarajan et al. ⁽³⁾, Bogu et al. ⁽⁴⁾, Homayouni et al. ⁽⁵⁾에서는 웨어러블 디바이스를 활용한 COVID-19를 탐지하는 방법과 성공 가능성을 제시하고 있다. 특히 Mishra et al. ⁽¹⁾에서는 걸음수와 심박수처럼 비교적 단순한 데이터를 일정 기간 수집하여, 두 데이터 간의 특징을 이상 탐지 (Anomaly detection) 기법을 통해서 분석하여 COVID-19의 탐지가 63%이상 가능함을 보고하고 있다. 이러한 성공의 이유 중 하나는 건강 관련 데이터를 수집할 수 있는 고성능 웨어러블 디바이스가 저렴해지고 있으며 그 보급이 날로 늘어나기 때문이라 할 수 있다. 최근 스마트워치는 걸음수, 심박수, 혈액내산소포화도, ECG(심방세동), 수면 패턴 등 다양한 신체 및 생리 정보를 수집할 수 있다. 또한 딥러닝 기술의 발전으로 인해서 다양한 데이터에 대한 통합과 그 관계 분석을 통해서 대상에 대한 현재의 건강 상태뿐만 아니라 행동, 생활 습관까지 파악할 수 있게 되었으며, 과거 전혀 관련성이 없어 보이던 정보 간의 관련성도 알 수 있게 되었다. 이러한 헬스 관련 웨어러블 디바이스와 딥러닝은 일상생활 가운데에서의 건강 상태, 행동 및 생활 습관의 지속적이면서 분석적인 관찰을 통해 건강 관리 및 질병 통제를 가능하게 하는 핵심 기술이라 할 수 있다.

그림 1은 본 논문에서 소개하는 MiT 에코플랫폼의 개념을 보여준다. 이 플랫폼은 현재 창원경상국립대학교 병원 안과에 적용 예정인 실시간 환자 신체 및 생리 정보 시스템이다. 이 플랫폼은 환자의 생리 정보를 실시간으로 수집하고, 레이블링 앱을 통해서 환자가 자신의 건강 상태를 레이블링하여, 딥러닝을 통해서 AI을 구축을 목표로 한다. 이를 기반으로 환자의 건강 및 질병 상태의 실시간 모니터링, 데이터 수집 및 AI을 통한 실시간 분석적 상태를 파악을 통해서 보다 정확하고 적극적인 건강관리 그리고 질병 통제를 제공한다. MiT 플랫폼은 환자의 실시간 데이터를 실시간으로 수집하는 실시간 데이터 MiT 서버, 환자가 자신의 상태를 레이블링하는 MiT 앱과 의사나 간호사에게 환자의 정보를 실시간으로 보여주는 MiT RMB(Real-Time Monitoring Board)로 구성된다. 이렇게 수집된 데이터에는 환자의 상태에 대한 레이블이 태그 되어 있으며, 의사의 환자 진료 정보와 환자의 생리 데이터가 통합되어 딥러닝을 위해 사용된다.

본 논문에서는 웨어러블 디바이스를 활용한 생리 정보 수집 및 머신러닝용 데이터 레이블링 시스템인 MiT (Medical IoT) 에코플랫폼(Eco platform)을 제공한다. 이를 COVID-19의 탐지에 적용하여 앞서 언급한 Mishra et al. ⁽¹⁾의 시스템을 개선하여 보다 빠른 시간에 COVID-19를 탐지하게 한다. 본 논문에서는 이러한 MiT 에코플랫폼의 구현을 소개하고, 이를 활용할 수 있는 OC-SVM(One-Class Support Vector Machine)기법을 적용한 COVID-19 탐지 기법에 대해 집중적으로 설명한다.

본 논문의 기여는 다음과 같다.

예방 의학을 실현하기 위한 의료 IoT 플랫폼의 구현사례를 제공하고.

관찰 대상자의 건강 및 질병 상태에 대한 레이블 방법을 소개하며,

전염병 확산 탐지에 대한 스마트워치와 의료 IoT플랫폼의 적용 방법을 소개하여,

스마트워치 및 의료 IoT 플랫폼을 활용한 관찰 대상자-환자 및 건강한 일반인-에 대한 실시간 모니터링 방법과 실제를 소개한다.

본 논문의 구성은 다음과 같다. 2장에서 본 연구의 배경 연구 및 비교 연구에 대해 소개한다. 3장에서는 본 연구에서 개발하고 구축한 MiT 에코플랫폼에 대해서 소개하고, 이 플랫폼의 각각의 구성 요소인 MiT 앱, MiT 서버, 그리고 MiT RMB의 기능 및 구현 방법을 소개한다. 4장에서는 MiT 에코플랫폼의 활용으로 COVID-19에 대한 자동 탐지 기법을 설명하고, 마지막장에서는 결론을 기술한다.

2. 관련 연구

생리 정보를 통한 의학적 진단은 가장 오래된 방법이자 현재까지 가장 보편화된 진단 방법 중 하나이다. 과거 비교적 짧은 시간 동안 샘플링 되어 사용되던 생리 정보는 빅데이터 기술과 AI 기술의 발전으로 말미암아 비교적 장기간에 걸쳐 수집된 생리 정보를 통해서 과거와는 다른 새로운 시각과 정확성을 가지고 질병의 진단에 사용되고 있다. 이러한 장기간에 걸쳐 수집된 시간적 데이터를 의학적 시계열 데이터라 한다. 예를 들어, 시계열 데이터화 된 심박수의 특성은 대사증후군, 당뇨병, 고혈압, 심근경색과 같은 여러 질병들의 유병율과 관련이 깊은 관련이 있다 Park et al. ⁽⁶⁾. 또한 Li et al. ⁽²⁾에서는 43명을 대상으로, 웨어러블 디바이스의 생리 정보를 통해 매일 25만 번 이상의 생리 지표를 측정하여 라임병(Lyme disease)을 예측하는 시스템을 소개하고 있으며, 비정상적인 혈중 산소농도, 심장 박동 수와 피부 온도의 변화를 통계적으로 분석을 통해 라임병과 염증 발생을 예측 가능하다고 밝혔다. Mishra et al. ⁽¹⁾, Li et al. ⁽²⁾, Natarajan et al. ⁽³⁾, Homayouni et al. ⁽⁵⁾에서 활용하는 방법은 환자의 생리 정보에 대한 시계열 데이터를 수집하여 환자 개개인에 대해 건강 할 때의 생리적 특성과 질병 중의 생리적 특성을 비교하여 문제를 파악하는 방식이다. 하지만 이러한 분석 방식은 개개인에 대해서는 효과적일 수 있지만 대중에 대한 일반화가 어렵다. 따라서 최근에는 시계열 데이터 분석에 효과적인 RNN (Recurrent Neural Network, 재귀신경망)을 통해 환자의 질병에 대해 레이블링 된 시계열 데이터를 분석함으로써 모델을 일반화시킬 수 있다. 본 논문에서는 이러한 의학적 시계열 데이터를 수집하고, RNN과 같은 딥러닝을 통한 AI 개발을 위해서 시계열 데이터에 대한 레이블링 방법을 제안한다. Bogu et al. ⁽⁴⁾에서는 확률적, 머신러닝 이상 탐지 알고리즘 대신 딥러닝 접근 방식을 개발하여 사용자의 기준선과 관련된 테스트 데이터에서 비정상적인 안정시 심박수를 감지하여 COVID-19 감염을 예측하는 방법을 제시하고 있다.

그림. 2. MiT Eco-Platform의 아키텍처

Fig. 2. MiT Eco-Platform architecture

이 연구에서는 확진자 중 92%가 증상 발생 7에서 21일 전에 비정상적인 안정시 심박수를 발견하였는데 이는 이전 Mishra et al. ⁽¹⁾와 연계되어 COVID-19를 탐지하는데 효과적이라고 말하고 있다. 본 논문 역시

그림. 3. Rule Engine 실시간 분석 프로그램의 예

Fig. 3. An example of Rule Engine, a real-time analysis program

유사한 방식으로 문제를 해결하고 있지만, 실시간 환자 모니터링과 경고 메시징 서비스와 같은 플랫폼 관점에서의 접근이 Mishra et al. ⁽¹⁾, Bogu et al. ⁽⁴⁾ 와 다른 점이라 할 수 있다.

3. MiT Eco-Platform

의료용 MiT 에코플랫폼$^{1)}$에서 제공하는 주요 기능은 MiT 생리적 정보 수집, 전송, 저장, 분석, 그리고 시각화이다. 이를 구현하기 위해 실시간으로 생체정보를 수집하는 1) 웨어러블 디바이스, 2) 신체 및 생리 정보의 수집 및 데이터 전송을 위한 모바일 어플리케이션 (MiT 앱), 3) 데이터의 저장, 레이블링, 분석 및 시각화를 위한 서버 시스템(MiT 서버)을 구현한다.

그림 2는 MiT 에코플랫폼 아키텍처를 보여준다. 본 연구의 핵심 부분은 MiT 서버, MiT 앱, 그리고 MiT RMB (Real-time Monitoring Board)이다. 본 연구에서 웨어러블 디바이스로 스마트워치를 사용하고, 스마트 워치에서 직접 데이터를 가져오는 것의 불안전성으로 인해 MiT 앱을 통해 1차 수집·가공 후 MiT 서버로 보내도록 설계하였다. 향후 스마트워치에서 직접 데이터를 가져올 경우를 대비하여 모바일 기기(스마트폰 혹은 스마트워치)에서 데이터를 송·수신 할 때에는 MQTT를 사용하여 데이터를 송·수신하도록 설계하였다. 또한 실시간 데이터의 저장 관리를 위해서 TimeScaleDB를 사용하고, PostgreSQL을 사용하여 DB에 대한 질의응답을 구현하였다. 본 연구에서 데이터의 저장 및 시각화는 실시간 대쉬보드 시스템인 Thingsboard⁽⁷⁾를 사용한다. Thingsboard는 IoT기기의 데이터를 수집하고, 지정된 DB에 저장하며, 시각화하는 도구이다. 특히 조건에 따른 경고 시스템을 개발할 수 있도록 규칙 기반의 프로그래밍 기법을 제공한다.

MiT 앱의 웨어러블 디바이스에서 수집된 생리 데이터는 아파치 카프카(Apache Kafka)를 통해서 Thingsboard Core에 전달된다. 전달된 데이터는 각각 데이터베이스와 Thingsboard Rule-Engine으로 전달되며 데이터베이스에는 SQL Query문을 통해서 시계열 데이터 형태로 저장된다. 이 때, 실시간으로 수집된 생리 데이터는 Rule- Engine에서 정의된 알고리즘에 따라 특정 조건을 만족하는 경우 알람 기능을 실행시킨다. TimeScaleDB에 저장된 데이터는 레이블링되어 환자 상태를 분석하는 딥러닝 등의 AI로 개발되며, 이 AI는 AI-based Engine 내에 포함되어 환자의 상태를 분석하고는 기능을 수행한다. 전달된 데이터는 MiT RMB(MiT Real-Time Monitoring Board)에서 그림 5와 같이 착용자의 데이터를 Dashboard 형태로 시각화시켜 한눈에 확인할 수 있다.

Thingsboard Rule Engine에서는 실시간으로 들어오는 데이터의 임계값에 대한 알람을 정의할 수 있다. Thingsboard는 Rule-Engine 이라는 규칙 기반의 알람 시스템을 제공한다. 이 시스템은 이벤트 기반의 워크플로어를 만들기 위한 프레임워크로서, 다음 3가지 컴포넌트로 알람 규칙 개발하게 한다.

1. Message – 모든 입력의 형태

2. Rule Node – 입력되는 메시지에서 실행되는 함수

3. Rule Chain – 연결된 Rule node 간의 관계 정의

이 방법을 활용하여 환자의 상태가 현재 비정상적이라 판단될 경우 정의된 알고리즘을 통해서 즉각적으로 알람 메시지를 웨어러블 디바이스에 전달한다.

그림 3에서는 Thingsboard에서 제공하는 Rule-Engine을 사용한 알람 기능의 구현을 보여준다. “Input” 데이터(맨 왼쪽 녹색 노드)는 “Device Profile” (맨 왼쪽 빨간색 노드) 노드를 통해 누구의 데이터인지 판단하고 “Message Type Switch”(아래쪽 노란색 노드)로 메시지 타입을 변경하여 “Save Timeseries” 노드(오른쪽 아래 빨간색)에서 데이터베이스에 시계열 데이터 형태로 저장한다. 해당 데이터는 실시간으로 “Over Threshold” (위 노란색 노드) 노드를 통해 관찰 대상의 생리 데이터 수치가 특정 한계보다 높을 경우 “warning”(파란 색) 노드에서 경고 메시지를 생성, “alarm”(주황색) 노드를 통해 Apache Kafka에 전달된다. 동시에 “Message Type Switch”(왼쪽 아래 노란색) 노드에서 메시지 타입을 변경하여 데이터베이스에 저장된다. Kafka에 전달된 알람 메시지는 MQTT를 통해 모바일 어플리케이션에 전달된다. AI-based Engine에서는 일정 타임 윈도우 동안의 데이터를 분석하여 환자의 상태를 파악하고 그 정보를 Alarm Data Synthesizer에 반환, 상태가 나쁘다고 판단되는 경우 해당 메시지를 Thingsboard Rule Engine에 전달하여 알람 메시지를 웨어러블 디바이스에 전달한다.

Apache Kafka는 IoT 기술에 핵심적인 컴포넌트로 다수의 대상자로부터 전달되는 데이터를 낮은 지연율과 더불어 복잡도면에서 효율적으로 서버 내에 전달하는 큐 기능을 한다. Apache Kafka는 통신을 위해 Publish- Subscribe 방식을 활용하는데, 대상자에서 전달된 데이터가 Kafka broker의 큐에 Publish 되고 해당 데이터를 필요로 하는 Thingsboard Core나 Rule-Engine 컴포넌트들이 Subscribe 하여 큐 내부의 데이터를 가져온다. 이러한 Publish-Subscribe 구조를 사용하는 Apache Kafka는 서버와 디바이스들의 규모 조절에 매우 유연한 구조를 띄고 있으며 매우 빠르게 동작하기 때문에 IoT 통신에 핵심으로 자리잡고 있다.

사용자와 MiT 서버 간의 통신은 MQTT 프로토콜을 사용하여 이루어진다. MQTT는 상대적으로 작은 사이즈의 데이터를 정확하고 자주 보내는 통신 환경에 매우 적합한 프로토콜이다. MQTT는 적은 전력을 소모하여 통신하기 때문에 IoT와 같이 사이즈가 작은 기기의 통신에 적합하다. 따라서 MQTT는 MiT 플랫폼처럼 잃어버리는 데이터 없이 자주 보내는 통신 환경에서 핵심 프로토콜이다.

TimescaleDB는 PostgreSQL상에서 운용되는 시계열 데이터용 관계형 데이터베이스이다. 본 연구에서 환자의 상태에 관한 시계열 데이터를 중점적으로 다루기 때문에 TimescaleDB를 사용하고 있다.

그림. 4. MiT 서버 유즈케이스 다이어그램

Fig. 4. Use-Case diagrams of MiT Server

그림. 5. Thingsboard를 활용한 상태 모니터링

Fig. 5. An example of real-time monitoring board on Thingsboard

3.2 MiT 앱 : 생리 데이터 관리 앱

MiT 앱은 스마트워치에서 생리 데이터를 수집하고, 환자의 상태와 레이블링 할 수 있도록 한다.

현재 비교적 저렴한 가격으로 구매할 수 있는 스마트워치로 수집 가능한 실시간 생체정보에는 걸음수, 심박수, 혈압, 산소포화도, ECG(심방세동), 스트레스, 수면 패턴 등이 있다.

MiT 앱은 COVID-19을 타깃으로 한 MyPHD⁽¹⁾의 기능을 확장하여 환자의 생리 정보 수집 및 환자에 의한 레이블링 기능을 제공한다. 그에 더하여 MiT 서버와의 통신을 통해서 MiT 서버의 다양한 메시지를 사용자에게 전달하는 기능을 추가하여 긴급한 상태의 경우 환자에게 경고하는 기능을 추가하고 있다. MiT 앱은 걸음수, 심박수, 수면 정보, 일일 설문을 수집하고, 필요한 경우 서버로 부터 경고 메시지를 환자에서 전달하는 기능을 가지고 있다. 다음과 같은 요구사항을 만족시킨다.

특정 주기적으로 환자의 생리정보를 스마트워치를 통해 수집

수집된 생리 정보의 시각화

주기적으로 MiT 서버로 환자 생리 데이터 전송

MiT 서버 메시지 시각화 및 경고 메시지

환자의 현재 상태-기분 및 신체, 신체적 이상 징후 및 변화를 기록

그림. 6. MiT 앱의 유즈케이스 다이어그램

Fig. 6. Use-Case diagrams of MiT Application

그림. 7. MiT 앱의 기능들

Fig. 7. MiT app features

그림 6은 MiT 앱의 유즈케이스를 보여준다.

헬스 모니터링: 주기적으로 환자의 생리 정보를 스마트워치를 통해서 수집한다. 스마트워치에서 수집된 생리 정보는 스마트폰 내의 헬스 모니터링 어플을 통해 수집되며, MiT 앱은 구글 피트니스를 통해서 수집된 정보를 재가공하여 MiT 서버에 전송한다. 현재 시점에서 스마트워치 앱에서 바로 클라우드 서버로 데이터를 전송하는 방법은 쉽지 않다. 우선 블루투스 외 고성능 네트워크인 4G 혹은 5G 네트워크, 그리고 WiFi를 지원하는 스마트워치의 가격이 비교적 높다. 또한 스마트워치 앱을 개발할 때, 필요한 API의 지원이 충분하지 않아서 데이터 수집, 전송, 레이블과 같은 고급 기능을 내장하기 어렵다. 따라서 본 개발에서는 가장 보편적으로 사용되는 안드로이드 환경의 구글피트니스를 통해서 보다 안정적으로 손실 없는 데이터의 활용을 위해서 스마트폰을 중간에 두어 보다 안정적인 데이터 수집, 전송, 그리고 레이블링 기능을 구현하였다. 수집된 생리 정보는 다양한 그래프 형태로 시각화 된다. 예를 들어 그림 7a와 그림 7b는 환자로부터 수집된 심박수와 걸음수를 시각화한다. 이러한 정보는 지정하는 기간만큼의 데이터를 리스트에 넣어 동일한 기간만큼의 그래프로 출력되며, 관련된 통계 역시 동일한 화면에 출력한다. 예를 들어 그림 7a에서는 심박수는 현재를 기준하여 7분간의 정보를 1분 간격으로 그래프를 출력한다. 이와 같은 값들을 리스트에 넣어 최대, 최소, 평균을 계산하여 화면에 출력한다. 심박수란 1분간 심장이 뛰는 횟수를 뜻하며 건강한 사람(성인, 청소년)의 평상시 심박수는 분당 60-100회 정도이다. 이에 따라 MiT 앱은 1분 간격으로 심박수를 화면에 출력, 계산한다. 사용자는 주기적으로 MiT 서버로 걸음수, 심박수, 일일 설문, 수면시간 및 수면의 질 설문을 전송한다. MiT 앱은 MQTT를 사용해 데이터를 전송한다. 예를 들어 걸음수와 심박수 데이터는 1분 간격으로 서버로 전송되며 일일 설문과 수면시간 및 수면 질은 환자가 수동으로 선택 후 완료 버튼 누를 시 전송된다.

표 1. MiT 앱의 설문 항목

Table 1. Questionnaire items of MiT App

현재 상태	건강 상태
최상, 상, 보통, 보통 이하, 하, 최하	두통, 복통, 기침, 피로, 오한, 설사, 인후통, 미각 상실, 시력저하, 시야 흐림

알림: 사용자의 생리 정보에 이상치가 발생된 경우 MiT 서버 및 MiT 앱에 메시지 알림이 나타나고 이상치의 수치 및 설문 정보를 시각화한다. 예를 들어 심박수는 분당 100회 초과 시 빈맥, 60회 미만 서맥이라한다. 급격한 운동 등 걸음수가 급격히 증가해 빈맥이 된다면 이상치가 아니라고 판단한다. 하지만 걸음 수는 심박수에 비해 급격한 증가가 아니라면 이는 이상 치라고 판단해 앱은 그림 7d 과 같은 알람 창을 띄운다.

일일설문:　마지막으로 MiT 앱는 그림 7c와 같은 설문 창을 통해서 현재 환자의 상태를 수집한다. 즉, 기분과 신체적 이상 징후 및 변화를 기록한다. 정확한 건강상태를 파악하기 위해 사용자가 매일 일정한 시간 자신의 상태를 설문지를 통해 보고하게 한다. 설문 내용은 크게 1) 현재 상태와 2) 건강 상태로 나누어져 있다. 현재 상태는 환자가 느끼는 기분을 가리키며, 건강 상태는 환자가 느끼는 다양한 증상을 가리킨다. 수집되는 정보는 표 1과 같다.

MiT 앱과 유사한 MyPHD는 웨어러블 의 정보가 증상이 나타나기 전의 증세에 관한 일일 설문에 초점을 맞추어 생리 정보를 바탕으로 COVID-19를 감지하는 데 초점을 맞춘다. MyPHD는 일반적인 설문 기능과 현재 수집된 데이터만을 보여준다. 반면 MiT 앱은 사용자의 생체 정보를 분 단위, 시간 단위, 일 단위 다양한 시간 범위로 나누어 그래프로 시각화하여 사용자의 상태 변화 및 이상 징후를 더욱 잘 파악할 수 있도록 한다. 이와 같은 설문을 통하여 사용자의 상태 및 이상 징후를 수집하여 사용자의 건강 상태를 보다 정확히 판단하도록 고안되었다.

4. 실시간 생리 데이터 기반 COVID-19 이상 탐지

이 논문에서는 MiT 에코플랫폼 내의 환자 상태 분석기(patient’s status analyzer)의 기능 중 하나로 이상 탐지 기반의 COVID-19 알람 시스템의 구현을 소개한다. 이 절에서는 특히 기존의 Mishra et al. ⁽¹⁾의 COVID-19 이상 탐지 알고리즘과 본 연구팀이 제안하는 OC-SVM (One Class SVM) 기반의 이상 탐지 알고리즘을 비교 분석한다.

이상 탐지(anomaly detection)란 자료에서 예상과는 다른 패턴을 보이는 개체 또는 자료2를 찾는 것을 일컫는다. 이상 탐지는 금융사기 탐지, 침입 탐지, 안전 필수 시스템(safety critical system), 군사적 감시를 포함한 다양한 분야에 널리 활용되고 있다. 본 연구에서는 환자의 시계열 생리정보를 사용하여 COVID-19에 대한 이상 탐지를 구현하였다.

Mishra et al. ⁽¹⁾에서는 스마트워치에서 측정한 심박수와 걸음수를 각각 4초, 1분 단위로 저장한다. 환재 개인에 대한 일정한 양의 데이터가 모아지면 이상 탐지를 실행을 하게 되며 정상인지 비정상인지를 판단하게 해준다. Mishra et al. ⁽¹⁾에서 안정시 심박수를 추론을 하는데 안정시 심박수는 휴식을 취한 상태에서 1분간 심박수를 의미한다. 이 안정시 심박수가 높음에 따라 질환에 걸릴 확률이 높아진다. 실제로 Park et al. ⁽⁶⁾에 따르면 23,638명을 대상으로 안정시 심박수가 60bpm 미만인 사람들과 비교 90bpm 이상인 사람들은 흉통, 호흡 곤란, 순환 부족 등 위험이 증가하게 된다는 분석이 존재한다. 이러한 이유로 안정시 심박수는 질환에 있어 매우 중요하다. 따라서 Mishra et al. ⁽¹⁾에서는 심박수/걸음수를 계산하여 안정시 심박수를 추론하는 방법을 제시하였다.

그림. 8. ⁽¹⁾에서 사용한 이상탐지 모델 결과

Fig. 8. Results of the anomaly detection model used in ⁽¹⁾

Mishra et al. ⁽¹⁾ 에서는 스마트워치에서 측정한 생리정보(심박수, 걸음수)를 활용해 이상 탐지를 하였다.

이 식에서, $x_{1,\:}x_{2}$는 주어진 데이터의 벡터($x_{1}$은 심박수와 $x_{2}$걸음수), $x_{1},\: x_{2}$는 각 입력 데이터의 평균값으로 구성된 벡터, $\Sigma^{-1}$는 독립 변수의 공분산 역행렬이다. Mishra et al. ⁽¹⁾ 논문에서는 마할라노비스 거리(Mahalanobis distance) 이상 탐지 알고리즘을 사용하였는데 마할라노비스 거리는 다변량 데이터 분포의 형태를 고려하여 거리를 측정하겠다는 문제의식에서 시작한 거리 척도이다.

위의 식은 다음과 같이 구성되어 있다. $\overline{x_{1,\:MCD}}$ , $\overline{x_{2,\:MCD}}$ 는 MCD를 적용한 독립 변수의 평균값으로 구성된 벡터, $\Sigma_{MCD}^{-1}$는 MCD를 적용한 독립 변수의 공분산 역행렬이다. 하지만 극단적인 이상치가 발생하면 이상 탐지하는 범위가 넓어지면서 탐지의 정확성이 떨어지게 된다. 그래서 대안으로 MCD(Minimum co-variance determinant)⁽⁸⁾를 사용하여 탐지 범위를 줄였지만 그림 8과 같이 COVID-19 확진자 임에도 불구하고 확진 판정을 받은 날 1-2일 정도만 이상 탐지하는 결과를 보여주었다. 본 연구에서는 마할라노비스나 마할라노비스 MCD보다 이른 시간에 COVID-19를 탐지할 수 있도록 OC-SVM(One Class Support Vector Machines) 도입하여 그 효과를 검증한다.

4.1 OC-SVM

본래 Support Vector Machine(SVM)의 목적은 샘플 세트를 올바르게 분류할 수 있게 기하학적인 간격을 가지는 초평면을 찾는 것이 목적이다. 본 논문에서는 제안한 OC-SVM(One Class Support Vector Machine)은 Scholkopf et al. ⁽⁹⁾. 의해 처음으로 등장하였다. OC-SVM의 경우 데이터 세트에 한 가지 유형의 점만 있으므로 피쳐 공간의 원점이 비정상 점으로 사용되며, 샘플 점을 감싸서 원점에서 최대한 멀리 떨어뜨리는 초평면을 찾는 것이 목적이다.

그림. 9. SVM과 OC-SVM 분류

Fig. 9. SVM and OC-SVM classifications

그림 9과 같이 그림의 흰점이 정상점, 검은점이 비정상점, 실선은 OC-SVM에서 찾은 초평면을 의미한다. $x_{1},\: x_{2},\: ...,\: x_{l}$ 공간에는 $l$개의 샘플 포인트가 있으며, 데이터 세트를 분류하기 위해 초평면을 구성하는 결정 함수 $f(x)=sign(\omega\bullet\Phi(x)-\rho)$가 있다. $\omega$는 초평면에 대한 normal 벡터이고, $\Phi(x)$ 맵은 샘플 공간에서 특징 공간을 가리키며, $\rho$는 compensation 벡터이다. 그런 다음 OC-SVM의 목적 함수와 제약 조건은 다음과 같다.

(3)

$\min : \frac{1}{2}|| \omega||^{2}+\frac{1}{\nu l} \sum_{i=1}^{l} \xi_{i}-\rho$

(4)

$s t: \omega \cdot \Phi(\xi) \geq \rho-\xi_{i}, \xi>0$

여기서 ρ는 trade-off 매개 변수이다. 다음으로 라그랑지안 함수를 정의한다.:

(5)

$\frac{1}{2}|| \omega|\quad|^{2}+\frac{1}{\nu l} \sum_{i=1}^{l} \xi_{i}-\rho-\sum_{i=1}^{l}\left(\omega \cdot \Phi(\xi)-\rho+\xi_{i}\right) \alpha_{i}-\sum_{i=1}^{l} \xi_{i} \beta_{i}$

$\alpha ,\:\beta$는 라그랑주 승수 벡터이다.

$\alpha =(\alpha_{1},\:\alpha_{2},\:...,\:\alpha_{l})^{T},\:$ $\beta =(\beta_{1},\:\beta_{2},\:...,\:\beta_{l})^{T}$위의 문제가 라그랑지안 이중 문제로 변환되고 커널 함수 $K(x_{i},\:x_{j})$를 적용한다.

(6)

$\min : \frac{1}{2} \sum_{i=1}^{l} \sum_{j=1}^{l} \alpha_{i} \cdot \alpha_{j} K_{i}\left(x_{i}, x_{j}\right)$

(7)

$s t: 0<\alpha_{i} \leq \frac{1}{\nu l} \quad \sum_{i=1}^{\tau} \alpha_{i}=1$

마지막은 다음과 같이 식을 도출한다.:

(8)

$\rho=\sum_{i=1}^{l} \alpha_{i} \cdot K\left(x_{i}, x_{j}\right)$

(9)

$f(x)=\operatorname{sign}\left(\sum_{i=1}^{l} \alpha_{i} \cdot K\left(x_{i}, x_{j}\right)-\rho\right)$

본 논문에서는 가우시안 커널 함수를 사용해 데이터 세트를 고차원 공간에 매핑한다. 가우시안 커널 함수는 다음과 같다.:

(10)

$K\left(x_{i}, x_{j}\right)=\exp \left(-\gamma\left\|x_{i}-x_{j}\right\|^{2}\right)$

따라서 OC-SVM의 경우 매개변수 및 OC-SVM 모델을 결정하기 위해 감마와 누를 설정해줘야 한다.

이 연구에서는 OC-SVM의 탐지 성능을 확인하기 위해서 사용한 데이터 셋은 ⁽¹⁾에서 제공해준 데이터 셋이다. 이 데이터 셋은 각 참가자들마다 약 3개월 동안의 심박수, 걸음수 수면 상태의 데이터로 구성되어있다. Scikit-learn(사이킷 런)을 사용한다. 참가자의 데이터는 ⁽¹⁾에서 실제로 참가한 사람들의 심박수와 걸음수를 각각 4초, 1분 단위로 측정한 데이터를 분석하여 이상 탐지를 수행하였다. 다음과 같은 전처리 과정을 진행한다.

심박수\걸음수의 계산에서 안정시 심박수를 추론할 수 있다. 걸음수가 0인 경우 0분할 문제가 발생하므로 모든 걸음 수에 1을 더하여 이 문제를 해결한다.

한 명의 환자에 대하여, 심박수와 걸음수의 시계열 데이터의 평균값을 계산하기 위해서 이동 평균(Moving Average, 이하 MA)을 구한다. 시계열 데이터를 평활하기 위해서, 시계열 데이터의 이동 평균을 입력으로 down sampling을 하여 Z-점수를 구한다.

Z-점수에서 추세와 잔여를 추출하여, 두 값으로 더하는 방식인, Additive 방식을 사용하여 주기성을 보정해 준다

마지막으로 각 보정된 데이터에 대하여 평균값 0, 그리고 분산 1로 셋팅하여 데이터 특징 표준화한다

4.2 실험 결과 비교

그림 10은 ⁽¹⁾에서 사용한 모델과 본 논문에서 제안한 OC-SVM의 비교 결과이다. x축은 시간, y축은 Z점수를 가리킨다. 빨간색 점과 선은 각각 이상치, 확진 판정을 받은 날짜이다. 그림 10a과 그림 10b를 보면 확진 판정을 받기 2일 정도 이상치가 발견되었지만 그림 10c 경우 확진 판정 2주 전에 이상치를 탐지하는 것을 알 수 있다. 확진자는 2개의 그룹으로 나누었는데 A 그룹은 오직 COVID-19 확진자, B 그룹은 COVID-19와 더불어 기저 질환이 있는 확진자이다. A 그룹 16명, B 그룹 10명 비확진자는 10명이다. 환자들의 정보는 나이, 성별 등 통계적 수치만 있을 뿐 각 개인에 대한 자세한 정보는 ⁽¹⁾에서 제공해주지 않았다.

그림. 10. AHYIJDV에 대하여 각 모델 적용 결과

Fig. 10. Results of applying each model for AHYIJDV

A 그룹 같은 경우 총 16명이 있는데 6명 데이터에 대해서, OC-SVM을 적용한 결과 좀 더 일찍 COVID-19를 탐지하는 결과가 도출되었다. 특히 이 중 3명에 대해서는 기존 모델에 비해 7일 먼저 COVID-19에 대한 가능성을 확인할 수 있었고, 다른 나머지 3명의 경우에 대해서도 기존 모델에 비해 더 많은 이상치를 보여주었다. 이를 통해서 본 논문에서 사용을 제안하는 OC-SVM을 이용한 이상 탐지가 기존 모델에 비해 이상치에 대한 반응이 민감함을 확인할 수 있었다.

표 2. 마할라노비스 대비 OC-SVM 성능

Table 2. OC-SVM performance compared to Mahalanobis distance

조기탐지		전 모델 대비 이상 탐지 비율
A그룹	B그룹	비확진자
-3.04일	-2일	-4%

B 그룹 같은 경우 총 10명이 있는데 5명이 기존 보다 긍정적인 결과를 보여주었다. 이 중 2명은 이전 모델보다 조기에 이상 증상을 발견하였으며, 다른 1명은 더 민감한 결과를 보였다. 나머지 2명은 기존 모델에서는 확진 판정 1주일 전에 이상 탐지 결과가 없는 반면 OC-SVM에서는 1주일 전에 이상 탐지를 하는 것을 볼 수가 있다. 하지만 26명 중 4명은 기존 모델보다 덜 민감하게 감지되었으며 조기 탐지 날짜와 전체적인 이상 탐지 결과는 비슷한 결과를 도출하였다. 표 2에서는 기존 모델 탐지 시점에 비해 A그룹은 약 3일, B그룹은 2일 조기 탐지되는 것을 알 수 있다, 비확진자 10명에 대해서도 실험을 위와 같은 조건으로 진행하였다. 5명의 비확진자 경우 ⁽¹⁾에서 사용한 모델보다 이상치가 반응이 줄었지만 3명의 비확진자 경우 OC-SVM이 이상치가 더 많이 발생하였다. 여기서 2명의 비확진자는 ⁽¹⁾에 비해 이상치가 많이는 발생하였지만 이상치 클러스터를 형성하지 않아 무시할 정도이다.

결론적으로, 확진자 A그룹은 3.06일, B그룹은 2일 조기탐지 성능을 개선하였고 비확진자는 이상 탐지 비율이 평균 4% 감소하면서 확진자, 비확진자 마할라노비스 이상 탐지 보다 OC-SVM 이상 탐지 모델을 쓰는 것이 효과적인 것을 알 수가 있었다. 본 연구의 모든 비교 결과는 ⁽¹⁰⁾에서 확인할 수 있다.

5. 결 론

본 논문에서는 의학적 시계열 데이터를 수집, 저장, 레이블링하고 이를 기반으로 한 딥러닝과 이상 탐지 기반의 AI 모니터링 시스템을 통해서 관찰 대상자의 건강과 질병에 대한 관찰, 추적을 위한 일명 MiT 에코플랫폼에 대한 제안과 구현을 제공하였다. 또한 MiT 에코플랫폼을 통해서 구현된 COVID-19의 추적.탐지 방법을 제시하였다.

과거 비교적 짧은 시간 동안 샘플링되어 사용되던 생리 정보는 빅데이터 기술과 AI 기술의 발전으로 말미암아 딥러닝과 같은 첨단 분석 기법에 의해 보다 효과적으로 높은 정확성을 가지고 환자에 대한 다양한 건강 및 질병 관련 정보를 알아낼 수 있게 되었다. 하지만 이를 위해서는 단순히 생리적 시계열 데이터를 수집하는 것 외에 데이터 통합·가공하고, 환자의 상태를 판단, 추론, 예측 할 수 있는 AI 모델의 개발이 핵심이라 할 수 있다.

본 논문에서는 이러한 생리적 시계열 데이터 수집을 위해서 다양한 웨어러블 디바이스와 상호 작용하는 스마트 앱(MiT 앱), 실시간으로 데이터를 수집, 통합하고 필요한 정보를 의료진에게 전달할 수 있는 MiT 서버 및 MiT RMB를 구현함으로 의학적 IoT 상태 플랫폼인 MiT 에코플랫폼의 구현을 제공하였다. 특히 MiT 앱은 생리 데이터로 알 수 없는 사용자의 상태를 일일 설문을 통해 수집하고, 수집한 데이터를 바탕으로 사용자의 상태를 레이블링하게 함으로써 MiT 에코플랫폼에서 수집된 의학적 시계열 데이터의 정확성과 효용성을 더욱 높이고 있다.

MiT 에코플랫폼에 대한 활용으로 본 논문에서는 이상 탐지를 통한 COVID-19 탐지 방법을 제안하고 있다. 이 접근에서는 일정 기간의 관찰 대상자의 생리 데이터를 수집하여 현재 COVID-19 에 감염되었을 가능성을 판단하고, 만약 COVID-19 감염 가능성이 있을 경우 MiT 앱을 통해서 알려주게 된다. 기존의 COVID-19를 위한 이상 탐지 기술은 걸음수와 심박수의 비의 시계열 데이터를 사용하여 전통적인 공분산-마할라노비스와 마할라노비스 기반 MCD을 통해서 이상을 탐지한다. 하지만 본 논문에서 OC-SVM를 활용하고 있으며, 다양한 실험 결과 OC-SVM가 몸에 대한 이상 탐지를 더 민감하고 더 빠르게 탐지하여, 팬데믹과 같은 긴급성을 요하는 질병 예방에 효과적임을 확인하였다. 향후 본 연구팀에서는 생리 데이터를 기반으로 관찰대상자의 행위 상태 판단할 수 있는 AI 모델 개발하고, 이를 통해서 생리 데이터에 대한 자동화된 레이블링과 관찰 대상자의 의학적으로 비정상적인 상태에 대해 보고하는 시스템을 구현할 예정이다.

1) 본 논문에서 에코플랫폼은 다양한 모바일 기기에서 수집한 데이터를 통합, 관리, 재사용한다는 의미로 사용된다.