IITP 과제를 위해 스마트폰 센서를 통해서 Sleep, Sleep Quality를 예측하는 논문들의 서베이한 내용 입니다.
Toss ‘N’ Turn: Smartphone as Sleep and Sleep Quality Detector(2015)
PSQI라는 수면의 질을 측정하는 설문조사로 GT를 만들고, 스마트폰에서 얻을 수 있는 다양한 센서들을 사용해 수면 상태와 수면의 질을 측정한 논문입니다.
해당 논문에서는 위의 구성과 같이 Sleep Detection과 Sleep Quality를 위해 위와 같은 센서들로 Feature를 구성하였고, Feature 엔지니어링 에서는 딥러닝이 아니기 때문에 핸드크래프트 피처를 사용하였습니다.
당연히 데이터의 양이 늘어날 수록 에러는 줄어들었고,
베이지안 모델과 Feature Selection을 수행하여 가장 좋은 성능을 나타냈다고 합니다.
Recognizing Academic Performance, Sleep Quality, Stress Level, and Mental Health using Personality Traits, Wearable Sensors and Mobile Phones(2015)
같은해 나온 논문으로 수면의 양과 질을 포함하여 스트레스 지수 등 다양한 요소들을 스마트폰가 웨어러블 디바이스를 통해서 예측해본 논문입니다.
실험에 앞서 피실험자를 모집하고 GPA, PSQI, PSS, MCS를 조사합니다. 여기서 PSQI는 수면의 질, PSS는 스트레스 정도, MCS 는 정신건강 점수라고 생각하시면 됩니다. 그리고 이 집단에 상위 20%, 하위 20%를 HIGH과 LOW로 선정하여 이들을 분류하는 실험을 실행합니다.
결과는 다음과 같습니다. PSQI 정확도를 계산할때는 PSQI를 제외한 다른 설문조사 결과를 사용해 PSQI를 예측하였고(Surveys), 기타 웨어러블 디바이스나 다양한 Feature들을 가지고 분류를 수행했을 때의 성능입니다. PSQI관점에서 SCREEN정보와 Wearable sensors의 정보에 대해서 정확도가 높은것을 알 수 있습니다.
SensibleSleep: A Bayesian Model for Learning Sleep Patterns from Smartphone Events(2016)
해당 논문도 Bayesian 모델을 통해서 수면 패턴을 예측한 논문입니다. 특이한점은 수면상태 예측을 위해서 Screen On/Off 정보를 사용했다는점 입니다. 아래 그림을 보면 확실히 알 수 있겠지만, 현대인 사회에서는 스마트폰은 자기전까지 소지하고 있는 필수품이 됐습니다. 그렇기 때문에 아래와 같은 정보를 얻을 수 있습니다.
해당 논문에서는 깨어있는 상태와 자고있는 상태 2가지로 분류하고, 스마트폰 화면에 이벤트가 급격히 줄어드는 순간을 자고있는 상태로 예측합니다. 그리고 이렇게 예측한 결과가 맞는지 확인하기 위해서 좀 더 정확한 Armband sleep tracker를 사용해 비교합니다.
해당 논문에서는 400명의 피실험자를 대상으로 수면시간을 약 89%의 정확도로 맞췄다고 합니다.
Sleep Quality Prediction From Wearable Data Using Deep Learning (2016)
해당 논문은 스마트폰은 아니고, 웨어러블 디바이스를 통해서 수면의 퀄리티를 측정한 논문입니다. 해당 논문에서는 수면의 퀄리티를 기존의 PSQI를 사용하지 않고, 아래와 같이 새롭게 정의하였습니다.
결국 내가 침대에 있는 시간중에서 실제 잠을 얼마나 자는지가 Sleep Efficiency라고 이야기합니다. 여기서 latency는 유저가 실제 취침에 들어갔다고 설문조사에서 기입한 시간과 실제 수면에 들어가기 시작한(센서상으로) 사이의 시간을 의미합니다. 그리고 WASO는 wake after sleep onset으로 수면이후에 일어난 시간들을 이야기 합니다. 단 이때 5분 이내는 없다고 생각합니다.
그렇다면 여기서 Sleep onset은 무엇이고 Sleep Awakening은 어떻게 계산할까요? 해당 논문에서는 이를 직접 센서데이터를 보고 라벨링을 합니다. 이는 다음 그림에서 더 정확히 알 수 있습니다.
이처럼 센서들의 추이를 보고 실제 사람이 Sleep Period를 기입하며 중간중간에 발생한 Wakefulness는 제외하게 됩니다. 그리고 이를 통해서 GT가 될 수 있는 수면 효율을 계산하고 이를 모델을 통해서 예측하게 됩니다.
이 때 정확도는 위의 그림과 같이 ROC 커브를 그릴때 AUC값이 0.9714를 보였다고 합니다.
Scalable Passive Sleep Monitoring Using Mobile Phones: Opportunities and Obstacles(2017)
해당 논문에서는 기존에 존재하는 다양한 연구들이 제한적인 상황에서 수집된 데이터로 이뤄졌다는 한계를 언급하며, 다양한 지역에서 다양한 사람들의 정보로 수면 모니터링을 하는 연구를 수행합니다.
위의 그림처럼 다양하게 수집된 스마트폰 센서들의 정보를 통해서 수면시간을 예측하며, 정확도는 약 88.8%가 나왔습니다. 해당 논문에서는 실제 수면예측을 수행해보니 개개인마다의 수면 패턴이 다양하게 존재하기 때문에 이를 통합해서 예측할 Global 모델보다는 개개인에 맞춰서 예측할 수 있는 모델을 만드는게 더욱 높은 정확도를 보인다고 이야기합니다.
그리고 해당 논문에서는 실제 다양한 지역의 다양한 사람에게 원격으로 데이터를 수집하다보니 실제 수많은 Missing 데이터가 존재하는데요 해당 논문에서는 아래 그림과 같은 실제 데이터 손실정도를 보였다고 합니다.
그리고 이외에도 설문조사에서 실제 AM과 PM을 헷갈려서 잘못 표기한경우가 많았는데 이는 직접 수정했다고 합니다.
Estimating Sleep Duration from Temporal Factors, Daily Activities, and Smartphone Use(2020)
최근 이뤄지는 연구 방향으로는 즉시즉시 받는 정보나 아니면 이미 기록된 정보가 아닌, Temporal한 정보를 가지고 수면시간을 예측하는 연구가 이뤄지고 있습니다. 해당 논문에서는 Daily activites, dailty calories burned 등 Temporal한 정보를 통해서 수면 시간을 예측하는 연구가 이뤄지고 있습니다.
해당 논문에서는 0.745의 상관관계를 보였다고 합니다.
