1. 서 론
1.1. 연구 배경 및 필요성
1.2. 연구 목적 및 범위
2. 연구 방법
2.1. 데이터 수집 및 라벨 구축
2.2. 수면 패턴 탐지 및 이상탐지 모델
2.3. 재실 탐지 모델 기반 행동 패턴 시퀀스 생성
2.4. ADL 이상 판정
2.5. 성능 평가 지표
3. 연구 결과
3.1. 수면 패턴 탐지 및 이상 탐지 결과
3.2. 행동 패턴 시퀀스 결과
3.3. 실증 공간 ADL 적용 사례
4. 논 의
5. 결 론
1. 서 론
1.1. 연구 배경 및 필요성
최근 고령화가 심화되고 1인 가구 증가에 따라 독거노인 및 취약계층에 대한 사회적 관심이 증가하고 있다(Ministry of Health and Welfare, 2025; Statistics Korea, 2024). 특히 사회취약계층 독거노인은 주거 환경, 생활 습관, 사회적 관계 등에서 일반 가구와 구별되는 특성을 가지며, 이러한 생활환경적 요인은 고독사 위험과 밀접하게 연관되는 것으로 보고되었다(Kim, Park, Park, & Moon, 2024). 독거노인은 사회적 고립, 만성질환 유병률 증가, 신체 기능 저하 및 응급상황 대응 취약성과 같은 건강 위험요인에 노출될 가능성이 높으며, 응급상황 발생 시 주변의 도움을 즉각적으로 받기 어려운 특성을 가진다. 이러한 특성으로 인해 건강 이상이나 사고가 발생하더라도 적절한 대응이 지연될 수 있으며, 심한 경우 고독사와 같은 사회적 문제로 이어질 수 있다(Ministry of Health and Welfare, 2025; Cho, Moon, & Yoo, 2025).
독거노인 및 취약계층의 건강 상태를 파악하기 위해서는 응급상황 발생 여부뿐만 아니라 일상생활의 변화를 지속적으로 관찰하는 것이 중요하다(Chifu at al., 2022; Kim, Bian, Chang, Dong, & Margrett, 2022). 일반적으로 건강 상태가 악화되기 이전에는 생활 리듬의 변화가 선행적으로 나타나는 경우가 많으며, 활동량 감소, 외출 빈도 감소, 수면시간 변화 등의 행동 특성 변화는 건강 이상을 나타내는 중요한 단서로 활용될 수 있다(Kim at al., 2022). 특히 독거노인의 경우 생활 패턴 변화가 장기간 지속될 경우 사회적 고립 심화, 건강 상태 악화 및 이상상황 발생 가능성과 연관될 수 있어 일상생활 상태를 지속적으로 모니터링할 필요가 있다(Chifu at al., 2022; Timon at al., 2023). 일상생활 패턴(Activity of Daily Living, ADL)은 개인의 건강 상태와 생활 습관을 반영하는 대표적인 지표로 알려져 있다. 최근 다양한 스마트홈 및 헬스케어 연구에서는 ADL 분석을 통해 대상자의 기능적 상태 변화와 건강 위험을 조기에 파악하고자 하였으며, 생활패턴의 변화는 이상행동 탐지를 위한 중요한 정보로 활용되고 있다. 따라서 독거노인 및 취약계층의 이상행동을 탐지하기 위해서는 일상생활을 구성하는 주요 행동 특성에 대한 분석이 필요하다(Bouchabou, Nguyen, Lohr, Leduc, & Kanellos, 2021; Facchinetti, Petrucci, Albanesi, De Marinis, & Piredda, 2023).
이 가운데 수면 패턴은 신체적·정신적 건강 상태를 반영하는 핵심 지표 중 하나로 활용될 수 있다(Ravyts & Dzierzewski, 2024). 수면시간의 과도한 증가 또는 감소, 불규칙한 취침 및 기상 시각, 잦은 야간 기상은 우울감, 인지기능 저하 및 만성질환 악화와 관련이 있는 것으로 보고되었다(Casagrande at al., 2022; Ravyts & Dzierzewski, 2024). 따라서 수면 패턴의 변화는 개인의 생활 리듬 및 건강 상태 변화를 파악하기 위한 중요한 단서가 될 수 있다.
재실 패턴 또한 독거노인 및 취약계층의 일상생활 상태를 파악하기 위한 주요 행동 지표로 활용될 수 있다(Noh & Moon, 2024; Timon at al., 2023). 재실 여부, 재실 시간, 공간 체류 및 이동 패턴은 생활활동 수준과 외출 빈도, 주거공간 내 활동 변화를 반영하며, 평상시와 다른 장시간 재실 또는 비재실 상태는 생활 루틴의 변화나 이상상황 발생 가능성을 시사할 수 있다. 선행연구에서도 수면 패턴과 재실 패턴이 일상생활 상태를 반영하는 주요 지표로 제시되었으며, 이들 지표를 통합적으로 분석하는 접근은 단일 지표 기반 모니터링보다 생활 상태 변화와 이상 행동 탐지에 유용한 것으로 보고되었다(Noh & Moon, 2024; Ravyts & Dzierzewski, 2024; Timon at al., 2023).
1.2. 연구 목적 및 범위
본 연구의 목적은 비침습적 실내 환경 센서 데이터를 활용하여 1인 가구의 수면 패턴과 재실 기반 행동 패턴을 탐지하고, 개인별 생활 루틴 기준선과의 차이를 기반으로 ADL 이상 여부를 판정하는 방법을 제안하는 것이다. 기존 생활 모니터링 방법은 방문 조사, 설문조사, 웨어러블 기기 또는 영상 기반 모니터링에 의존하는 경우가 많아 지속적인 관리의 어려움, 사용자 순응도 저하, 프라이버시 침해 가능성과 같은 한계를 가진다(Kim at al., 2022; Sharma, Klein Brinke, van Gemert-Pijnen, & Braakman-Jansen, 2021). 이에 본 연구에서는 사용자의 별도 조작이나 착용이 요구되지 않는 비침습적 실내 환경 센서를 활용하여 수면 및 재실 기반 행동 패턴을 탐지하고, 이를 통합한 ADL 이상 탐지 프레임워크의 적용 가능성을 검토하였다. 특히 본 연구에서는 제안한 프레임워크를 모델 학습에 포함되지 않은 실증 세대에 적용하고, 그중 ADL 이상으로 판정된 세대의 사례를 구체적으로 분석함으로써 제안 방법의 이상 판정 결과가 실제 생활 패턴 변화의 관계를 검토하였다.
2. 연구 방법
본 연구는 비침습적 IoT 실내 환경 센서를 활용하여 1인 가구의 수면 패턴 및 재실 기반 행동 패턴을 탐지하고, 이를 토대로 일상생활 이상 여부를 판정하는 방법론을 제안한다. 본 연구에서 ADL은 주거 공간 내에서 반복적으로 나타나는 일상생활 루틴으로 정의하였으며, ADL 모니터링 대상은 취침 시간, 기상 시간, 수면 지속시간, 공간 체류 및 이동 패턴으로 설정하였다. 제안하는 ADL 이상 탐지 Framework는 Figure 1과 같이 ① 센서 데이터 수집, ② AI 기반 수면 패턴 탐지 모델 구축, ③ AI 기반 재실 탐지 및 행동 패턴 시퀀스 생성, ④ 개인 기준선 기반 ADL 이상 판정의 네 단계로 구성하였다.
2.1. 데이터 수집 및 라벨 구축
본 연구에서는 비침습적 실내 환경 센서인 IoT 실내 환경 센서를 통해 온도, 습도, CO2, PM, VOCs, 조도, PIR 데이터 등을 수집하였다. IoT 실내 환경 센서는 주거공간 내 환경 상태와 거주자의 생활 행동에 따른 센서 반응을 비침습적으로 수집할 수 있는 실내 환경 센서이다. 실내 환경 데이터는 Table 1에 제시된 사양을 갖는 센서를 활용하여 수집하였다. 모델 구축 단계에서는 1인가구 대상자 중 실험자 3명을 대상으로 센서 데이터와 수기 입력 데이터를 병행 수집하였으며, 수기 입력 데이터는 각 시간대의 수면 여부 및 공간 체류 상태를 나타내는 기준값으로 활용하였다. 수면 패턴 탐지 모델은 수기 입력된 수면 여부를 정답 라벨로 사용하여 학습하였다.
재실 상태 추정의 경우, 본 연구에서는 선행 연구에서 제안된 비침습적 실내 환경 센서 기반 재실 탐지 방법을 기반으로 하되, 본 연구의 데이터 구성과 분석 목적에 맞게 공간별 재실탐지 모델을 개선하여 적용하였다(Noh and Moon, 2024). 본 연구에서는 이러한 선행 연구의 접근을 확장하여 화장실, 침실, 거실의 공간별 재실 상태를 각각 독립적으로 추정할 수 있도록 모델을 구성하였다. 공간별 센서 반응 특성이 상이하다는 점을 고려하여 각 실별 데이터 특성에 맞는 재실탐지 모델을 구축하였으며, 검증 결과 침실, 거실, 화장실 재실 탐지 모델의 F1-score는 각각 0.96, 0.94. 0.90, Accuracy는 0.96, 0.97, 0.99로 나타났다. 본 연구에서는 개선된 공간별 재실탐지 모델의 출력값을 활용하여 침실, 거실, 화장실 등 주요 생활공간의 체류 상태를 추정하고, 이를 시간 순서에 따라 연결하여 일별 행동 패턴 시퀀스를 생성하였다. 생성된 행동 패턴 시퀀스는 이후 개인 기준선과의 비교를 통해 ADL 행동패턴 이상 여부를 판정하는 데 활용하였다.
Table 1
Specification of the sensors
2.2. 수면 패턴 탐지 및 이상탐지 모델
수면 패턴 탐지 모델은 15분 단위 센서 특징을 입력으로 하여 해당 구간의 수면 여부를 판별하는 이진 분류모델로 구성하였다. 입력 변수는 온도, 습도, CO2, VOCs, PM, 조도, PIR 데이터에서 도출된 15분 단위 특징과 시간 정보로 구성하였다. 수면 상태는 특정 시점의 센서값만으로 판단하기 어렵기 때문에, 본 연구에서는 시간적 맥락을 반영한 파생변수를 함께 사용하였다. PIR 데이터에서는 현재 구간의 PIR 반응 여부, 일정 시간 동안의 PIR 반응 비율, 연속 무반응 시간, 과거 구간의 PIR 반응 변화량을 산출하였다. 조도 데이터에서는 조도 로그값과 암실 여부를 생성하였으며, CO2 및 VOCs 등 환경 변수에 대해서는 일정 시간 구간의 이동평균 및 변화량을 산출하였다. 또한 수면은 시간대에 따라 발생 가능성이 상이하므로, 학습 데이터에서 15분 time-bin별 수면 발생 사전확률을 산출하여 입력 변수로 포함하였다. Figure 2는 수면 패턴 탐지 모델의 입력 변수 중요도를 나타낸다. 분석 결과, 수면 발생 사전확률(sleep_prior)이 가장 높은 중요도를 보였으며, CO2 농도, CO2 30분 이동평균값, 온도 변화량 등이 주요 변수로 나타났다. 이는 수면 여부 판정에 특정 센서값 하나만이 아니라 시간대 정보, 실내 공기질 변화, 움직임 반응, 조도 상태가 복합적으로 기여함을 의미한다.
수면 패턴 탐지 모델은 실험자 3명의 25년 3월부터 4월까지 수기 입력 수면 라벨을 기준값으로 학습하였다. 분류모델은 LightGBM과 ExtraTrees Classifier를 결합한 앙상블 구조로 설계하였다. LightGBM은 센서 변수와 수면 여부 간의 비선형 관계 학습에 활용하였고, ExtraTrees Classifier는 다양한 센서 변수 조합에 대한 분류 안정성 보완을 목적으로 사용하였다. 모델은 각 15분 구간에 대해 수면 또는 비수면 상태를 판정하였으며, 수면으로 판정된 구간을 바탕으로 취침시각, 기상시각, 총 수면 지속시간을 산출하였다.
수면 이상탐지는 개인별 기준선과 평가일 수면 지표 간의 차이를 이용하여 수행하였다. 본 연구에서 기준기간은 평가일 이전 28일의 유효 수면 episode가 생성된 날짜로 정의하였다. 기준 기간에서 산출된 취침시각, 기상시각 및 총 수면 지속시간의 평균과 표준편차를 개인 기준선으로 설정하였다. 평가일의 수면 지표가 기준선의 평균 ± 3σ 범위를 벗어나는 경우 이상으로 판정하였다(Montgomery, 2020). 또한 평가기간 내 수면이 탐지되지 않는 경우에는 수면 루틴의 급격한 변화로 간주하여 이상으로 분류하였다.
2.3. 재실 탐지 모델 기반 행동 패턴 시퀀스 생성
본 연구의 목적은 재실 여부 자체를 판정하는 것이 아니라, 공간별 재실탐지 모델의 출력을 활용하여 일상 생활 활동(ADL) 관점에서의 공간 체류 및 이동 패턴 변화를 탐지하는 것이다. 이를 위해 재실탐지 결과를 시간 순서에 따른 행동 패턴 시퀀스로 변환한 뒤, 평가일 시퀀스와 개인 기준기간 시퀀스 간 거리를 정량화하고, 개인별로 동적 산출된 임계값을 기준으로 이상 여부를 판정하였다. 전체 절차는 ① 공간별 재실 상태 추정, ② 체류 episode 생성, ③ long/short token 변환, ④ 기준기간 시퀀스와의 거리 계산, ⑤ 개인 기준선 기반 이상 판정의 순서로 구성된다.
먼저 각 시간 구간에서 침실(BR), 거실(LR), 화장실(BAR)의 재실탐지 결과를 이용하여 대표 체류 공간을 결정하였다. 동일 공간에서 연속적으로 재실이 탐지된 구간은 하나의 체류 episode로 병합하였으며, 3분 미만의 짧은 episode는 일시적인 탐지 변동으로 간주하여 시퀀스 구성에서 제외하였다. 이후 각 episode를 체류 지속시간에 따라 토큰화하였다. 지속시간이 20분 이상인 경우 long token, 3분 이상 20분 미만인 경우 short token으로 변환하였으며, 토큰은 공간-지속유형 형식으로 표기하였다. 예를 들어 침실에서 20분 이상 체류한 episode는 BR-L, 화장실에서 3분 이상 20분 미만 체류한 episode는 BAR-S로 표현된다. 생성된 토큰을 시간 순서대로 연결하여 평가일 D의 행동 패턴 시퀀스 S_D를 구성하였다.
행동 패턴 시퀀스 간 차이는 normalized edit distance(NED)를 이용하여 정량화하였다. ADL 분석 분야에서는 센서 이벤트 또는 활동 상태를 시퀀스로 표현하고 시퀀스 간 차이를 기반으로 일상생활 패턴을 비교하는 접근이 활용되어 왔으며(Sepesy Maučec & Donaj, 2021), 본 연구에서는 이를 참고하여 공간 체류 토큰으로 구성된 시퀀스 간 차이를 정량화하였다. Edit distance는 두 시퀀스를 동일하게 만들기 위해 필요한 삽입·삭제·치환 연산의 횟수로 정의되며, 시퀀스 길이 차이에 따른 영향을 완화하기 위해 두 시퀀스 길이의 최댓값으로 정규화하여 사용하였다.
여기서 는 두 시퀀스 간 edit distance, 는 시퀀스의 길이를 의미한다. 평가일 D의 행동 패턴 거리 는 평가 기간 SD와 기준 기간 BD에 포함된 각 일별 시퀀스 Si 간 NED 중 최솟값으로 정의하였다. 즉, 는 평가일 시퀀스가 기준기간 내 가장 유사한 기준일과 비교되었을 때의 차이를 의미한다.
여기서 는 평가일 D 이전의 개인별 기준기간에 포함된 일별 행동 패턴 시퀀스 집합을 의미한다. 이상 판정 임계값은 전체 대상자에 대한 고정값으로 설정하지 않고, 평가일별 개별세대별 거주자의 기준 기간동안 시퀀스 변동성으로부터 동적으로 산출하였다. 이는 일상 행동 패턴의 정상 범위가 개인마다 상이하기 때문이다. 구체적으로, 기준기간 내 각 날짜 i에 대해 해당 날짜를 제외한 나머지 기준일 j와의 NED 중 최솟값 를 계산하는 방식을 적용하였으며, 이렇게 산출된 들로 기준기간 내부 거리분포 를 구성하였다.
이와 같이 기준 기간 모든 일자에 대해 산출된 의 집합을 기준 기간 내부 거리분포 로 정의하였다.
는 평가일 거리 와 동일하게 최근접 시퀀스와의 NED로 정의되므로, 평가일 거리 와 기준 기간 내부 거리 분포 는 동일한 척도에서 직접 비교할 수 있다. 이후 기준 기간 내부 거리 분포 의 평균 µD와 표준편차 σD를 산출하고, 개인별 이상 판정 임계값 TD는 다음과 같이 설정하였다.
거리분포 의 평균과 표준편차를 각각 , 로 정의하고, 통계적으로 정상 범위 설정에 활용되는 3σ 기준(Montgomery, 2020)을 적용하여 평가일 D의 임계값을 산출하였다. 최종적으로 평가일 거리 가 개인별 임계값 를 초과하는 경우 해당 평가일의 행동 패턴을 이상으로 판정하였으며, ≤ 인 경우 정상 행동 패턴으로 판정하였다.
2.4. ADL 이상 판정
본 연구에서 ADL 이상은 개인별 기준선에서 벗어난 수면 및 행동 루틴 변화로 정의하였다. 이상 판정에는 수면 기반 지표와 행동 패턴 기반 지표를 병행 적용하였다. 수면 기반 지표는 취침시각과 기상시각으로 구성하였다. 기준기간에서 산출된 개인별 취침시각 및 기상시각의 평균과 표준편차를 기준선으로 설정하고, 평가일의 취침시각 또는 기상시각이 평균 ± 3σ 범위를 벗어나는 경우 수면 루틴 이상으로 판정하였다. 또한 평가일에 유효한 수면 episode가 형성되지 않아 취침 시각·기상 시각을 산출할 수 없는 경우(No sleep)에도 수면 루틴 이상으로 판정하였다. 행동 패턴 기반 지표는 오전·오후 구간별 행동 패턴 시퀀스의 거리값으로 구성하였다. 각 구간에 대해 기준기간의 동일 시간대 시퀀스 간 최근접 거리분포를 기준선으로 설정하고, 평가일의 해당 구간 행동 패턴 시퀀스 최근접 거리가 기준선의 평균+3σ를 초과하는 경우 해당 구간의 행동 패턴 이상으로 판정하였다.
최종 ADL 이상 여부는 기상 시각 이상, 오전 행동 패턴 이상, 오후 행동 패턴 이상, 취침 시각 이상 중 하나 이상이 발생한 경우 이상으로 정의하였으며, 특정 날짜 D에 대한 ADL 이상 여부는 다음과 같이 산정하였다.
2.5. 성능 평가 지표
본 연구에서는 수면 패턴 탐지 모델, 재실 기반 행동 패턴 탐지 모델, 통합 ADL 이상 탐지 모델의 성능을 구분하여 평가하였다. 수면 패턴 탐지 모델은 15분 단위 수면·비수면 분류 결과를 기준으로 평가하였다. 수기 입력된 수면 라벨을 실제값으로, 모델 예측값을 비교 값으로 사용하였으며, 성능지표로는 Accuracy, F1-score를 산출하였다. 수면 패턴 탐지 모델 구축에는 실험자 3명을 대상으로 2달간 수집한 센서·수기 라벨 데이터를 사용하였다.
여기서 TP는 실제 수면 구간을 수면으로 예측한 경우, TN은 실제 비수면 구간을 비수면으로 예측한 경우, FP는 실제 비수면 구간을 수면으로 오분류한 경우, FN은 실제 수면 구간을 비수면으로 오분류한 경우를 의미한다. F1-score는 수면·비수면 구간의 분포 불균형 상황에서 탐지 성능을 종합적으로 평가하기 위해 사용하였다.
이후, 구축된 ADL 모델의 일반화 가능성을 검토하기 위하여 IoT 실내 환경 센서가 설치된 1인 취약계층 100세대(의정부, 가양동, 사당동)를 대상으로 2025년 11월부터 2026년 6월까지 ADL 결과를 분석하였다. 통합 ADL 이상탐지 결과는 실증지의 관찰 기록과 비교하여 사례 기반으로 검토하였다. Figure 3과 같이 특정 평가일에 대해 수면 평가일에 대해 수면 episode, 취침 시각, 기상 시각, 총 수면 지속시간, 일별 행동패턴 시퀀스, 기준선과의 거리, 최종 ADL 이상 판정 결과를 통합적으로 제시함으로써, 제안 방법의 이상 판정 결과가 실제 생활 패턴 변화와 어떠한 관계를 지니는지 해석하였다. 다만, 100세대 전체에 대해 병원 입원, 장기 외출, 건강 이상, 일상 외출 등 실제 사건에 대한 정답 라벨이 모두 확보된 것은 아니므로, 본 연구의 통합 ADL 이상탐지 평가는 전체 세대에 대한 정량적 정확도 평가가 아니라, 관찰 기록을 통해 실제 사건이 확인된 사례를 중심으로 제안 프레임워크의 적용 가능성과 해석 가능성을 검토하는 방식으로 수행하였다.
3. 연구 결과
3.1. 수면 패턴 탐지 및 이상 탐지 결과
수면 패턴 탐지 모델의 전체 Accuracy는 0.94, F1-score는 0.93으로 나타났다. Figure 4은 특정 평가 기간에 대한 수면 패턴 탐지 결과를 나타낸다. Figure 4(a)는 CO2 농도와 30분 이동평균 값을 나타내며, 수면으로 표시된 구간에서 CO2 농도가 점진적으로 증가하고, 기상 이후 환기 또는 재실 변화에 따라 급격히 감소하는 경향을 보였다. Figure 4(b)는 실내 온도와 60분 이동평균 값을 나타낸 것으로, 수면 구간 동안 온도 변화가 비교적 완만하게 나타났다. Figure 4(c)는 120분 기준 PIR rolling ratio를 나타내며, 수면 구간에서는 거주자의 움직임이 제한되어 PIR 반응이 낮게 유지되는 경향이 확인되었다. Figure 4(d)는 Ground Truth와 모델 예측 수면 상태를 비교한 결과로, 모델은 주요 수면 구간을 전반적으로 정확하게 탐지하였다. 다만 취침 직후 또는 기상 직전과 같은 상태 전환 구간에서는 일부 시간 차이가 발생할 수 있으나, 전체 수면 episode의 시작과 종료, 수면 지속 구간은 기준값과 유사하게 예측되었다.
Figure 5는 개인 기준선 기반 수면 이상 탐지 결과를 나타낸다. 좌측 그래프는 기준 기간 내 유효 수면일의 실제 수면 지속시간과 모델 예측 수면 지속시간을 비교한 결과이다. 기준 기간의 평균 수면 지속시간은 약 5.5시간으로 나타났으며, 평균을 기준으로 ±2σ 범위는 정상 구간, 2σ–3σ 범위는 참고용 경고 구간, 3σ 초과 범위는 이상 구간으로 구분하였다. 대부분의 기준일은 정상 범위 내에 포함되었으나, 일부 날짜에서는 수면 지속시간이 평균보다 길게 나타나 경고 구간에 포함되었다. 이는 개인의 기준 수면 패턴 내에서도 일정 수준의 일별 변동성이 존재함을 보여준다.
우측 그래프는 평가일별 수면 지속시간이 기준 기간으로부터 얼마나 벗어났는지를 비교한 결과이다. 4월 13일과 4월 14일의 경우 실제값과 예측값 모두 기준 평균과 큰 차이를 보이지 않아 정상 범위 내에 포함되었다. 반면 4월 15일은 실제값과 예측값 모두에서 수면이 탐지되지 않았으며, 기준 평균 대비 큰 음의 변화를 보여 이상 구간으로 판정되었다. 이는 제안한 수면 이상탐지 방법이 단순한 수면시간의 증감뿐만 아니라 수면의 부재와 같은 급격한 생활 루틴 변화를 탐지할 수 있음을 보여준다.
3.2. 행동 패턴 시퀀스 결과
Figure 6은 재실탐지 결과로부터 생성된 평가일 행동 패턴 시퀀스와 기준기간 내 최근접 시퀀스를 비교한 결과를 나타낸다. 행동 패턴 시퀀스는 침실(BR), 거실(LR), 화장실(BAR)의 체류 episode를 체류 지속시간에 따라 long token(L)과 short token(S)으로 변환한 뒤, 시간 순서대로 연결하여 구성하였다. 평가일 행동 패턴 거리는 평가일 시퀀스와 기준 기간에 포함된 일별 시퀀스 간 NED 중 최솟값으로 산출하였다. 행동 패턴 이상 여부는 기준 기간 내부 거리 분포의 평균과 표준편차로부터 산출한 임곗값과 평가일 거리를 비교하여 판정하였다.
Table 2는 Figure 6에 제시된 정상일과 이상일의 행동 패턴 거리 산출 결과를 나타낸다. 6월 7일의 평가일 행동패턴 거리 는 0.429로 산출되어 임계값 0.848 이하에 해당하였으며, 이에 따라 정상으로 판정되었다. 반면 6월 6일의 평가일 행동패턴 거리 는 0.719로 산출되어 임계값 0.700을 초과하여 행동 패턴 이상으로 판정되었다.
Table 2
Behavior sequence anomaly detection results based on normalized edit distance
6월 7일의 평가일 시퀀스는 기준기간 내 일별 시퀀스 중 5월 28일 시퀀스와 가장 작은 NED 값을 보였다. 두 시퀀스의 정렬 결과 일부 token 차이가 발생하였으나, 평가일 거리()는 임계값( = 0.848) 이하로 산출되었다. 따라서 6월 7일은 다음 조건에 따라 정상으로 판정되었다.
6월 6일의 평가일 시퀀스는 기준기간 내 일별 시퀀스 중 5월 9일 시퀀스와 가장 작은 NED 값을 보였다. 그러나 평가일 시퀀스와 최근접 기준 시퀀스의 정렬 과정에서 공간 재실 시퀀스가 추가 되었으며, 이로 인해 NED가 증가하였다. 6월 6일의 평가일 거리()는 임계값을 초과하였고, 초과값(–)는 0.019로 산출되었다. 이에 따라 6월 6일은 조건에 의해 행동패턴 이상으로 판정되었다.
Figure 6의 결과는 평가일 시퀀스와 기준기간 시퀀스 간 token 차이가 존재하더라도, 그 차이가 기준기간 내부 거리분포로부터 산출된 임계값 이하인 경우 정상으로 판정될 수 있음을 보여준다. 6월 7일은 최근접 기준 시퀀스와의 NED가 임계값 미만으로 산출되어 정상으로 분류되었다. 반면 6월 6일은 최근접 기준 시퀀스와의 NED가 임계값의 초과하여 행동 패턴 이상으로 분류되었다. 따라서 제안한 행동패턴 이상 탐지 방법은 평가일 시퀀스와 기준 시퀀스 간 차이의 존재 여부가 아니라, 개인 기준기간의 시퀀스 변동성을 기준으로 산출한 임계값 초과 여부에 따라 이상을 정량적으로 판정하는 것을 확인할 수 있다.
3.3. 실증 공간 ADL 적용 사례
본 연구의 전체 실증 데이터는 취약계층 100세대를 대상으로 수집된 주거공간 내 비침습 센서 기반 생활 패턴 데이터로 구성되며, Figure 7은 이 중 학습 데이터에 포함되지 않은 독립 실증 세대 1개소를 대상으로 테스트 적용한 사례이다. 해당 세대는 서울시 동작구 사당동에 위치한 1인 가구로, 거주자는 1945년생 여성 고령자이다. 따라서 본 사례는 제안 프레임워크가 학습에 사용되지 않은 실제 취약계층 주거환경에서도 수면 및 행동 패턴 변화를 탐지할 수 있는지를 검토하기 위한 실증 적용 사례로 해석할 수 있다.
9월 18일, 9월 19일, 9월 20일은 기상시각과 취침시각이 정상 범위 내에서 탐지되었고, 오전 및 오후 행동 패턴 모두 Normal로 판정되어 최종 ADL 관련 이상이 발생하지 않았다. 9월 18일의 기상 시각과 취침 시각은 각각 08:23, 21:23으로 탐지되었으며, 9월 19일은 06:04와 19:58, 9월 20일은 05:46과 19:53으로 탐지되었다. 해당 기간에는 수면 루틴과 행동패턴 시퀀스가 개인 기준선의 정상 변동 범위 내에 포함되는 것으로 나타났다.
반면 9월 21일부터는 ADL 관련 이상 징후가 순차적으로 나타났다. 9월 21일에는 오전 행동 패턴에서 Pattern anomaly가 발생하였다. 또한 같은 날 취침 구간은 No sleep으로 나타났으며, 이는 해당 수면 평가구간 내에서 유효한 취침 episode가 형성되지 않았음을 의미한다. 따라서 9월 21일은 오전 행동 패턴 이상, 당일 취침 구간의 No sleep이 함께 나타난 날로 해석된다.
9월 22일에는 기상시각과 취침시각이 모두 No sleep으로 나타났다. 이는 수면 평가구간 내에서 유효한 수면 episode가 형성되지 않아 기상시각과 취침시각을 모두 산출할 수 없었음을 의미한다. 두 수면 루틴 지표가 모두 부재하므로 해당 일자는 수면 루틴 이상으로 판정하였다. 또한 오전 행동 패턴에서는 Pattern anomaly가 발생하였고, 오후 행동 패턴에서는 No sequence가 확인되었다. 이는 오전에는 평소와 다른 행동 패턴이 일부 탐지되었으나, 오후에는 유효한 행동 패턴 시퀀스 자체가 형성되지 않았음을 의미한다.
9월 23일에는 기상시각과 취침시각이 모두 No sleep으로 나타났으며, 오전 Pattern anomaly 및 오후 행동 패턴 No sequence로 도출되었다. 이는 평가일 전반에 걸쳐 수면 루틴과 실내 활동 시퀀스가 모두 정상적으로 형성되지 않았음을 의미한다. 해당 거주자는 9월 21일 병원에 입원한 것으로 확인되었으며, 입원으로 인한 주거공간 내 부재가 수면과 행동 패턴 시퀀스 공백으로 반영된 결과로 해석된다.
이 사례는 제안 프레임워크가 입원 당일의 생활 패턴 공백뿐만 아니라, 그 이전 날짜에서 나타나는 행동 패턴 거리의 3σ 기준 초과, 수면 평가 구간 내 No sleep과 같은 변화를 함께 포착할 수 있음을 보여준다. 특히 수면 기반 지표와 행동 패턴 기반 지표를 통합한 ADL 판정 구조는 단일 지표만으로는 해석하기 어려운 생활 패턴 변화를 종합적으로 평가할 수 있으며, 독거노인 및 취약계층의 일상생활 이상을 조기에 파악하기 위한 비침습적 모니터링 방법으로 활용 가능함을 시사한다.
4. 논 의
본 연구는 비침습적 실내 환경 센서를 활용하여 수면 패턴과 재실 기반 행동 패턴을 동시에 탐지하고, 이를 기준선과 비교하여 ADL 이상 여부를 판정하는 통합 프레임워크를 제안하였다. 기존 연구들이 재실 여부 탐지 또는 이상행동 감지 중 어느 한 측면에 집중하였던 것과 달리, 본 연구는 수면 패턴과 행동 패턴을 독립적으로 모델링한 후 이를 통합하여 ADL 이상을 판정하는 구조를 취하였다는 점에서 차별성을 지닌다.
기존 수면 모니터링 연구의 상당수는 액티그래피, 심박수 센서, 수면 전용 웨어러블 기기 등 신체 부착형 장치에 의존하고 있어 장기적인 일상 모니터링에 적용하기 어렵다는 한계가 있다. 본 연구는 실내 환경 센서에서 수집된 CO2, VOCs, PIR, 조도 등의 데이터만으로 수면 여부를 탐지하는 비침습적 방식을 채택하였으며, Accuracy 0.94, F1-score 0.93의 성능을 달성하였다. 특히 PIR 연속 무반응 시간, CO2 이동평균 등 시간적 맥락을 반영한 파생변수를 입력으로 포함함으로써, 단일 시점의 센서값만으로는 구분이 어려운 수면·비수면 전환 구간의 탐지 정확도를 향상시켰다. 이는 착용 부담 없이 일상적인 수면 루틴을 지속적으로 모니터링할 수 있는 가능성을 보여준다는 점에서 의의를 지닌다. 다만, 수면 탐지 모델의 학습 및 검증은 3명의 자료를 기반으로 수행되었으므로, 해당 성능이 다양한 연령대, 건강 상태, 주거 환경 및 생활 습관을 갖는 독거노인 전체에 대해 동일하게 일반화된다고 해석하기에는 한계가 있다. 따라서 본 연구의 수면 탐지 성능은 제한된 실험 조건에서 확인된 결과로 이해되어야 하며, 향후에는 더 다양한 대상자와 장기간의 수면 라벨 데이터를 확보하여 모델의 일반화 성능을 추가적으로 검증할 필요가 있다.
기존 연구에서는 재실 탐지 결과를 장시간 동일 공간 체류 여부 판별에 활용하는 데 그쳤으나, 본 연구는 재실 탐지 출력값을 공간 체류 및 이동 흐름의 일별 시퀀스로 변환하고 normalized edit distance 기반의 개인 기준선 비교를 통해 행동패턴 이상을 탐지하는 방법론으로 확장하였다. Long/short token 기반의 시퀀스 표현은 공간 이동 순서, 체류 지속시간, 특정 공간 체류의 누락 여부를 동시에 반영할 수 있어, 단순 재실 감지나 체류 시간 합산 방식으로는 포착하기 어려운 미묘한 일상 루틴 변화를 탐지하는 데 유효하다. 또한 leave-one-out 방식으로 기준기간 내 거리분포를 구축하고 µ+3σ를 임계값으로 설정함으로써, 외부 기준값 없이 개인의 고유한 생활패턴을 기준선으로 삼는 이상탐지 구조를 실현하였다. 수면 기반 지표(취침 시간, 기상 시간)와 행동 패턴 기반 지표를 OR 조건으로 결합한 통합 판정 체계는 단일 지표만으로는 탐지하기 어려운 복합적 일상 루틴 변화를 포괄적으로 감지할 수 있도록 한다.
본 연구에서는 구축된 프레임워크를 IoT 실내 환경 센서가 설치된 1인 취약계층 100세대에 적용하고, 실증지의 관찰 기록과 비교하여 사례 기반으로 검토하였다. 그러나 100세대 전체에 대해 병원 입원, 장기 외출, 건강 이상, 일상 외출 등 실제 사건에 대한 정답 라벨이 모두 확보된 것은 아니다. 따라서 본 연구에서 제시한 통합 ADL 이상탐지 결과는 전체 실증 세대에 대한 정량적 정확도 평가라기보다는, 실제 사건이 확인된 사례를 중심으로 제안 프레임워크의 적용 가능성과 해석 가능성을 검토한 결과로 해석되어야 한다.
특히 본 연구에서 제시한 입원 사례는 수면 episode 부재와 행동 패턴 시퀀스 공백이 실제 생활 패턴 변화와 연관될 수 있음을 보여주는 사례이다. 그러나 단일 입원 사례만으로 제안 방법의 조기 탐지 성능이나 일반화 가능성을 단정하기에는 한계가 있다. 향후 연구에서는 다양한 이상 사례와 정상 외출·단기 부재 사례에 대한 정답 라벨을 확보하고, 정확도를 포함한 정량적 검증을 통해 제안 방법의 성능과 적용 한계를 체계적으로 평가할 필요가 있다.
5. 결 론
본 연구는 비침습적 실내 환경 센서 기반의 ADL 이상탐지 프레임워크를 제안하고, 실증 데이터를 통해 그 적용 가능성을 검토하였다. 제안 프레임워크는 수면패턴 탐지, 재실 기반 행동패턴 탐지, 개인 기준선 기반 ADL 이상 판정의 세 단계를 순차적으로 연결하는 구조로, 기존 연구에서 개별적으로 다루어지던 수면 모니터링과 행동패턴 분석을 하나의 통합된 ADL 이상탐지 체계로 구성하였다는 점에서 차별성을 지닌다.
착용형 센서나 영상 정보 없이 실내 환경 센서만을 활용하여 수면패턴과 재실 기반 행동패턴을 동시에 탐지하는 비침습적 방식의 ADL 모니터링 체계를 구축하였다. 수면패턴 탐지에서는 CO2, VOCs, PIR, 조도 등 실내 환경 데이터에서 도출한 시간적 맥락 파생변수와 앙상블 분류모델을 결합하여 취침시각, 기상시각, 총 수면 지속시간을 추정하였다. 이는 착용 부담이나 프라이버시 침해 우려 없이 독거노인 등 취약계층의 수면 루틴을 지속적으로 모니터링할 수 있는 실용적 방법론을 제시한다는 점에서 의의를 지닌다.
재실탐지 결과를 단순 재실 여부 판정에 그치지 않고 공간 체류 및 이동 흐름을 일별 행동패턴 시퀀스로 변환하여 ADL 이상탐지에 활용하였다. Long/short token 기반의 시퀀스 표현과 normalized edit distance를 결합한 개인 기준선 비교 방식은 공간 이동 순서, 체류 지속시간, 특정 공간 체류의 누락 여부를 통합적으로 반영할 수 있어, 기존 단순 재실 감지 방식 대비 행동패턴 변화를 보다 정밀하게 포착할 수 있다. 특히 외부 기준값 없이 개인의 고유한 생활패턴을 기준선으로 삼는 이상탐지 구조를 실현하였다는 점에서 실제 적용 가능성이 높다.
수면 기반 지표와 행동패턴 기반 지표를 OR 조건으로 결합한 통합 판정 체계는 단일 지표만으로는 탐지하기 어려운 복합적 일상 루틴 변화를 포괄적으로 감지할 수 있도록 한다. 제안한 프레임워크의 적용 가능성을 검토하기 위해, 모델 학습에 포함되지 않은 1인 취약계층 실증 세대를 대상으로 통합 ADL 이상탐지를 수행하였다. 그 결과 특정 거주자의 입원 사례에서, 입원 당일의 수면 episode 부재 및 행동 패턴 시퀀스 공백이 포착되었다. 이는 제안 방법이 실제 생활 패턴 변화를 성공적으로 탐지할 수 있으며, 단일 지표만으로는 해석하기 어려운 ADL 이상 징후를 통합적으로 조기에 식별할 수 있음을 실증적으로 보여준다. 본 연구에서 제안한 프레임워크는 고독사 예방, 독거노인 안전 모니터링, 스마트홈 기반 건강관리 시스템 등 다양한 분야에 적용 가능하다. 향후 연구에서는 학습 데이터의 다양성 확대, 기준기간 최적화, 그리고 다양한 거주 유형 및 생활패턴을 반영한 모델 일반화를 통해 프레임워크의 완성도를 높일 필요가 있다.
