[논문]모션 베드 환경에서 맞춤형 숙면 서비스를 위한 시스템 설계 및 수면 패턴 분석

강현준; 이석철; 정준서; 조성범; 이원진; 이재동

doi:10.9717/kmms.2022.25.8.1109

[국내논문] 모션 베드 환경에서 맞춤형 숙면 서비스를 위한 시스템 설계 및 수면 패턴 분석
Analysis on the Sleep Patterns and Design of System for Customized Deep Sleep Service in Motion Bed Environments 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.25 no.8, 2022년, pp.1109 - 1121

강현준 (Department of Software Engineering, Dankook University) , 이석철 (Department of Software Engineering, Dankook University) , 정준서 (Department of Software Engineering, Dankook University) , 조성범 (Department of Software Engineering, Dankook University) , 이원진 (Research Institute of Information and Culture Technology, Dankook University) , 이재동 (Department of Software Engineering, Dankook University)

Abstract ▼ AI-Helper

As the demand for quality sleep increases in modern society, the importance of sleep technology has increased. Recently, development of sleep environment improvement products and research on the user's sleep improvement have been activated. Representatively, user sleep pattern analysis research is being conducted through the existing polysomnography, but it is difficult to use it in the sleep environment of daily life. Therefore, in this paper, we propose a system design that can provide a customized deep sleep service to users by detecting sleep disturbance factors in a motion bed environment. In order to improve the user's sleep satisfaction, a logistic regression-based sleep pattern analysis model is proposed and accuracy and significance are verified through experiments. And to improve user's sleep satisfaction, we propose a logistic regression-based sleep pattern analysis model and verify accuracy and significance through experiments. The proposed system is expected to improve the user's sleep quality and effectively prevent and manage sleep disorders.

Keyword

표/그림 (12)

그림 Fig. 1. Service model of customized deep sleep service system.
그림 Fig. 2. Configuration diagram of customized deep sleep service.
그림 Fig. 3. Processes of user's sleep pattern analysis.
그림 Fig. 4. Collected user's sleep data.
표 Table 1. User sleep data features.
표 Table 2. Test environment.
표 Table 3. Layout of a confusion matrix.
표 Table 4. Machine running models to perform comparative analysis.
표 Table 5. Results of logistic regression analysis.
표 Table 6. Results of backward stepwise logistic regression analysis.
표 Table 7. Result of comparative analysis of prediction models.
그림 Fig. 5. Results of user's sleep improvement.

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 우리 생활에서 매우 중요한 수면의 질을 향상시키기 위하여 모션 베드 환경에서의 맞춤형 숙면 서비스를 제공할 수 있는 시스템 설계를 제안한다. 제안하는 시스템은 최적의 수면 환경을 제공하기 위해 수면 장애 요소를 탐지하고 최적의 수면서비스를 제공할 수 있도록 설계되었다.
본 논문에서는 일상생활에서 사용자의 수면 패턴을 분석하고 수면 만족도에 영향을 줄 수 있는 요인의 영향력을 파악하여 맞춤형 숙면 서비스 제공을 통해 사용자의 수면 질을 개선하는 것을 목표로 한다. 즉, 독립변수와 종속변수의 관계를 직관적인 함수로 나타내고 각 독립변수(수면 만족도에 영향을 주는 요인)의 영향력을 구체적으로 실험을 통해 검증한다.

제안 방법

본 논문에서는 우리 생활에서 매우 중요한 수면의 질을 향상시키기 위하여 모션 베드 환경에서의 맞춤형 숙면 서비스를 제공할 수 있는 시스템 설계를 제안한다. 제안하는 시스템은 최적의 수면 환경을 제공하기 위해 수면 장애 요소를 탐지하고 최적의 수면서비스를 제공할 수 있도록 설계되었다. 또한, 일상중 환경에서의 수면 패턴 분석을 위하여 수집된 사용자의 수면 데이터를 활용하여 수면 패턴 분석을 수행하였다.
제안하는 시스템은 최적의 수면 환경을 제공하기 위해 수면 장애 요소를 탐지하고 최적의 수면서비스를 제공할 수 있도록 설계되었다. 또한, 일상중 환경에서의 수면 패턴 분석을 위하여 수집된 사용자의 수면 데이터를 활용하여 수면 패턴 분석을 수행하였다.
본 절은 맞춤형 숙면 서비스를 제공하기 위해 최적의 사용자 수면 패턴 분석 모델에 대하여 제안한 다. 제안한 방법은 로지스틱 회귀 모델을 기반으로하는 사용자의 수면 패턴 분석 모델을 설명한다. 사용자 수면 패턴은 종속변수인 사용자의 수면 만족도와 독립변수인 사용자의 수면 데이터, 수면 환경 데이터 및 개인 정보(프로파일) 데이터 등 간의 연관성 및 유의 수준(Significance level)을 단계적으로 분석하는 방법에 대하여 제안한다.
제안한 방법은 로지스틱 회귀 모델을 기반으로하는 사용자의 수면 패턴 분석 모델을 설명한다. 사용자 수면 패턴은 종속변수인 사용자의 수면 만족도와 독립변수인 사용자의 수면 데이터, 수면 환경 데이터 및 개인 정보(프로파일) 데이터 등 간의 연관성 및 유의 수준(Significance level)을 단계적으로 분석하는 방법에 대하여 제안한다.
현대 사회에서 수면의 중요성이 강조되고 있으며, 양질의 수면에 대한 요구가 증가함에 따라, ICT 기술이 융합된 슬립테크 기술이 미래 성장 산업으로 인식 되고, 그 중요성이 높아지고 있다. 따라서, 본 논문에서는 일상생활 속에서 사용자의 수면의 질을 높이기 위한 모션 베드 환경에서의 맞춤형 숙면 서비스를 제공하기 위한 시스템을 설계하고, 사용자의 수면 만족도를 향상시키기 위해 로지스틱 회귀 기반의 수면패턴 분석 모델을 제안하고 실험을 통해 유의성 및 정확도 검증을 수행하였다.

대상 데이터

본 절에서는 제안한 사용자 수면 패턴 분석을 검증하기 위하여 총 867명의 사용자의 수면 데이터를 수집하였고, 조사 대상자 중 3개월 이상 2주에 한 번씩 주기적으로 응답해준 233명 중 수면 데이터에 결측치 혹은 이상치가 존재하지 않는 사용자의 수면데이터를 정제하고, Fig. 4와 같이 176명의 수면 패턴을 분석하였다.
본 절에서는 제안한 사용자 수면 패턴 분석을 검증하기 위하여 총 867명의 사용자의 수면 데이터를 수집하였고, 조사 대상자 중 3개월 이상 2주에 한 번씩 주기적으로 응답해준 233명 중 수면 데이터에 결측치 혹은 이상치가 존재하지 않는 사용자의 수면데이터를 정제하고, Fig. 4와 같이 176명의 수면 패턴을 분석하였다.
수집된 데이터는 단계별로 정도를 나타내는 범주형 데이터(수면 만족도, 코골이 빈도, 뒤척임, 수면 중소음)와 일정 범위 내에서 연속적인 수치(BMI, 수면 시간)를 나타내는 연속형 데이터로 구성되어 있고 이를 특성별로 나열하면 Table 1과 같이 나타난다.
실험의 목적에 따라서 수면 데이터는 기간을 구분하여 사용한다. 먼저, 학습을 위한 데이터는 설문 1회차부터 6회차까지의 초반 수면 데이터를 훈련 데이터로 활용한다. 다음으로 사용자 수면 패턴 분석의 성능을 평가하기 위해서는 집단의 독립변수의 값이 변화한 데이터가 필요하므로 훈련 데이터와 가장 멀리 떨어진 기간의 데이터를 활용하는 것이 적절하다.
다음으로 사용자 수면 패턴 분석의 성능을 평가하기 위해서는 집단의 독립변수의 값이 변화한 데이터가 필요하므로 훈련 데이터와 가장 멀리 떨어진 기간의 데이터를 활용하는 것이 적절하다. 따라서, 수면 패턴 분석 모델이 분석한 정보를 기준으로 설문 9회차부터 10회차까지의 후반 수면 데이터를 활용한다. 제안한 사용자 수면 패턴 분석에 대한 실험을 위해 Table 2와 같이 실험 환경을 구성하였다.

데이터처리

본 논문에서는 일상생활에서 사용자의 수면 패턴을 분석하고 수면 만족도에 영향을 줄 수 있는 요인의 영향력을 파악하여 맞춤형 숙면 서비스 제공을 통해 사용자의 수면 질을 개선하는 것을 목표로 한다. 즉, 독립변수와 종속변수의 관계를 직관적인 함수로 나타내고 각 독립변수(수면 만족도에 영향을 주는 요인)의 영향력을 구체적으로 실험을 통해 검증한다.
마지막으로, 완성된 단계적 후진 로지스틱 회귀모델 내의 로지스틱 회귀 계수를 기반으로 독립변수 (코골이, 뒤척임 등)와 수면 만족도 간의 연관성을 분석하여 사용자 수면 패턴 정보를 생성하는 사용자수면 패턴 분석을 수행한다.
맞춤형 숙면 서비스를 제공하기 위해 로지스틱 회귀 분석을 활용하여 사용자 수면 패턴을 분석 한다. 사용자 수면 패턴 분석은 0과 1로 구성된 이진 종속변수의 확률을 예측하여 0과 1 사이의 값을 산출하는 방식으로 사용하며 먼저 수면 만족도를 “만족”과 “불만족”의 이진 종속변수로 가정하고, 수면 만족도에 대하여 하나 이상의 독립변수 간의 연관성을 분석한다.
본 논문에서 제안한 사용자 수면 패턴 분석 모델의 성능 평가를 위하여 수면 만족도 예측에 대한 검증을 수행하고 기존 예측 알고리즘과의 비교분석을 수행한다. 모델에 대한 검증 방식은 혼동행렬을 이용 하며, 혼동행렬은 아래의 Table 3과 같다.
본 논문에서 제안한 단계적 후진 로지스틱 회귀 모형 기반의 사용자 수면 패턴 분석 모델의 성능을 평가하기 위하여 수면 만족도에 대한 예측 정확도를 측정하고 비교 분석을 검증한다. 제안한 모델과 기존의 예측 알고리즘을 기반한 모델과 비교 분석한 결과는 Table 7과 같다.
마지막으로 제안하는 사용자 수면 패턴 분석 모델의 연관성을 기반으로 독립변수인 코골이, BMI, 수면 시간의 수면 개선 정도에 대하여 실험하였다. Table 6에서 뒤척임의 경우, 회귀 계수(Regression Coefficients)가 음수이므로 단계가 낮아질수록 수면개선 확률이 높아지며, BMI와 수면 시간의 경우, 회귀 계수가 양수이므로 단계가 높아질수록 수면 개선확률이 높아진다.

성능/효과

정확도(Accuracy) 기준에서 다중선형회귀(Mul- tiple linear regression) 모델과 의사결정트리 학습 (Decision tree learning) 모델의 경우, 각각 83.523%, 84.659%로 제안된 모델의 정확도(85.227%)보다 낮은 정확도를 보이고 서포트 벡터 머신(Support vector machine) 모델과 랜덤 포레스트(Random forest) 모델은 각각 85.511%, 86.364%로 제안된 모델보다 높은 정확도로 나타났다.
따라서, 본 논문에서 제안한 사용자 수면 패턴 분석 모델은 연관 관계 확인이 “Yes” 인 모델 중에서 가장 높은 정확도(85.227%)로 나타났다.
제안한 수면 패턴 분석 모델 내부의 설명 변수(뒤 척임, BMI 등)들은 그 유의성을 증명하였고, 수면 패턴 분석 모델의 성능을 실험한 결과, 85.227%의 정확도를 보이며 분석 대상 모델 중에서 사용자 수면 패턴 분석에 가장 적합한 모델임을 증명하였다. 또한, 수면 패턴 분석 모델의 설명 변수를 기준으로 수면개선 정도를 확인한 결과, 모델의 설계에 근거한 수면 개선이 이뤄졌음을 확인할 수 있었다.
227%의 정확도를 보이며 분석 대상 모델 중에서 사용자 수면 패턴 분석에 가장 적합한 모델임을 증명하였다. 또한, 수면 패턴 분석 모델의 설명 변수를 기준으로 수면개선 정도를 확인한 결과, 모델의 설계에 근거한 수면 개선이 이뤄졌음을 확인할 수 있었다. 향후 연구에서는 개발 중인 모션 베드의 각종 센서를 통해 수집되는 사용자들의 수면 정보를 기반으로 수면 패턴분석 및 모델 생성의 고도화를 진행할 예정이다.

후속연구

사용자의 수면 질을 개선하기 위해 사용자의 수면만족도에 영향을 주는 각 요인(독립 변수)과의 연관성을 검증해야 한다. 따라서, 본 논문에서 제안한 사용자 수면 패턴 분석 모델은 연관 관계 확인이 “Yes” 인 모델 중에서 가장 높은 정확도(85.
또한, 수면 패턴 분석 모델의 설명 변수를 기준으로 수면개선 정도를 확인한 결과, 모델의 설계에 근거한 수면 개선이 이뤄졌음을 확인할 수 있었다. 향후 연구에서는 개발 중인 모션 베드의 각종 센서를 통해 수집되는 사용자들의 수면 정보를 기반으로 수면 패턴분석 및 모델 생성의 고도화를 진행할 예정이다.

참고문헌 (23)

C.M. Morin, Y. Inoue, C. Kushida, D. Poyares, and J. Winkelman, "Endorsement of European guideline for the diagnosis and treatment of insomnia by the World Sleep Society," Sleep Medicine, Vol. 81, pp. 124-126, 2021.
S.M. Yu, "Sleep Tech Trends at CES 2020," KISA Report, Vol 1, pp. 28-33, 2020.
R. Yousefi, S. Ostadabbas, M. Faezipour, M. Nourani, V. Ng, L. Tamil, and et al., "A smart bed platform for monitoring & Ulcer prevention," 2011 4th International Conference on Biomedical Engineering and Informatics, pp. 1362-1366, 2011.
Y. Lee, M. Choi, I. Jang, C.Y. Kim, D.S. Choi, M. Kim, and et al., "Research on the Development of Automated Multifunction-Integrated Motion Bed," The Journal of Institute of Internet, Broadcasting and Communication, Vol. 18, pp. 215-222, 2018.
H. Shin, B. Choi, D. Kim, and J. Cho, "Robust Sleep Quality Quantification Method for a Personal Handheld Device," Telemedicine and e-Health, Vol. 20, No. 6, pp. 522-530, 2014.

상세보기
J.D. Kim and S.K. Lee, "Design and Implementation of a User-Customized Platform System for Sensibility/Context- based Contents Service," Journal of Korea Multimedia Society, Vol. 17, No. 3, pp. 364-372, 2014.

원문보기 상세보기
K.H. Hong, B.M. Lee, and Y.J. Park, "Realtime Individual Identification based on EOG Algorithm for Customized Sleep Care Service," Journal of Convergence for Information Technology, Vol. 9, No. 12, pp. 8-16, 2019.

원문보기 상세보기
J.Y. Ko, S.W. Yoon, and H.K. Kim, "Design and Implementation of Customized Farming Applications using Public Data," Journal of Korea Multimedia Society, Vol. 18, No. 6, pp. 772-779, 2015.

원문보기 상세보기
L.E. Eberly, "Multiple Linear Regression," Topics in Biostatistics, Vol. 404, pp. 165-187, 2007.
M. Abuella and B. Chowdhury, "Solar Power Probabilistic Forecasting by Using Multiple Linear Regression Analysis," SoutheastCon 2015, pp. 1-5, 2015.
M.A. Hearst, S.T. Dumais, E. Osuna, J. Platt, and B. Scholkopf, "Support vector machines," IEEE Intelligent Systems and their Applications, Vol. 13, No. 4, pp. 18-28, 1998.

상세보기
K.A. Linn, B. Gaonkar, T.D. Satterthwaite, J. Doshi, C. Davatzikos, and R.T. Shinohara, "Control-Group Feature Normalization for Multivariate Pattern Analysis of Structural MRI Data Using the Support Vector Machine," NeuroImage, Vol. 132, pp. 157-166, 2016.
A.J. Myles, R.N. Feudale, Y. Liu, N.A. Woody, and S.D. Brown, "An Introduction to Decision Tree Modeling," Journal of Chemometrics, Vol. 18, No. 6, pp. 275-285, 2004.

상세보기
H.J. Lee and E.H. Jung, "A Study of Extraction of Variables Affecting the Adolescents' Computer Use Type with Decision Tree," The Journal of Korean Association of Computer Education, Vol. 15, No. 2, pp. 9-18, 2012.
S.J. Rigatti, "Random Forest," Journal of Insurance Medicine, Vol. 47, No. 1, pp. 31-39, 2017.

상세보기
Y. Suh, J.K. Park, and G.Y. Ko, "Exploration of Factors Affecting Life Satisfaction of Older Adults Using Random Forest," Journal of the Korean Gerontological Society 2021, Vol. 41, No. 5, pp. 803-823, 2021.
M.P. LaValley, "Logistic Regression," Circulation, Vol. 117, No. 18, pp. 2395-2399, 2008.

상세보기
S.B. Jin and J.W. Lee, "Study on Accident Prediction Models in Urban Railway Casualty Accidents Using Logistic Regression Analysis Model," Journal of the Korean Society for Railway, Vol. 20, No. 4, pp. 482-490, 2017.
S. Haghayegh, S. Khoshnevis, M. Smolensky, K. Diller, and R. Castriotta, "Accuracy of Wristband Fitbit Models in Assessing Sleep: Systematic Review and Meta-Analysis," Journal of Medical Internet Research, Vol. 21, No. 11, 2019.

상세보기
F. Mendonca, S.S. Mostafa, F. Morgado-Dias, A.G. Ravelo-Garcia, and T. Penzel, "A Review of Approaches for Sleep Quality Analysis," IEEE Access, Vol. 7, pp. 24527-24546, 2019.

상세보기
T.H. Lee, C.H. Park, H.H. Park, and D.H. Kwak, "A Study on Accident Prediction Models for Chemical Accidents Using the Logistic Regression Analysis Model," Fire Science and Engineering, Vol. 33, No. 6, pp. 72-79, 2019.
D.R. Cox, "The Regression Analysis of Binary Sequences," Journal of the Royal Statistical Society: Series B (Methodological), Vol. 20, No. 2, pp. 215-232, 1958.

상세보기
S.A. Czepiel, "Maximum Likelihood Estimation of Logistic Regression Models : Theory and Implementation," Corpus ID: 12795190, 2002.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증