스마트워치를 이용한 정신병적 재발의 불확실성 기반 이상 탐지: 예측 및 멀티태스크 학습 융합

디지털 표현형 (Digital phenotyping)은 행동과 생리학의 지속적인 수동적 모니터링을 가능하게 하며, 정신병적 재발 (psychotic relapse)의 조기 탐지를 위한 유망한 패러다임을 제공합니다. 본 연구에서는 일상적인 재발 탐지를 위해 스마트워치 기반의 두 가지 프레임워크를 개발하고 체계적으로 연구합니다. 첫 번째 프레임워크는 심장 역학 (cardiac dynamics)을 예측하고, 예측된 특징과 관찰된 특징 사이의 편차를 이상 징후의 지표로 표시합니다. 두 번째 프레임워크는 수면을 움직임 및 심장 유래 신호와 융합하는 멀티태스크 (multi-task) 정식화를 채택하여, 시간 인지 임베딩 (time-aware embeddings)을 학습하고 측정 타이밍을 예측합니다. 두 파이프라인 모두 Transformer 인코더를 사용하며, 실제 웨어러블 기기의 변동성에 대한 강건성 (robustness)을 향상시키기 위해 다층 퍼셉트론 (multilayer perceptrons) 앙상블을 통해 추정된 예측 불확실성 (predictive uncertainty)으로부터 도출된 일일 이상 점수 (anomaly score)를 출력합니다. 각 프레임워크는 독립적으로 강력한 예측력을 보여주지만, 우리는 이들이 상호 보완적인 생리학적 특징을 포착함을 보여줍니다. 결과적으로, 우리는 두 아키텍처의 이상 신호를 하나의 통합된 결정 점수로 시너지 효과를 내며 결합하는 후기 융합 (late-fusion) 전략을 제안합니다. 우리는 2nd e-Prevention Grand Challenge 데이터셋을 통해 우리의 방법론을 벤치마킹하였으며, 여기서 우리의 융합 모델은 경연 우승 베이스라인 대비 8%의 상대적 향상을 달성했습니다. 광범위한 어블레이션 연구 (ablation studies)로 뒷받침되는 우리의 결과는 심장, 움직임, 수면과 같은 다양한 디지털 표현형의 통합이 실제 환경에서 정신병적 재발을 고충실도로 탐지하는 데 필수적임을 시사합니다.