웨어러블 센서를 사용한 RMSSD 기반의 위험 예측 = RMSSD-Based Risk Prediction Using Wearable Sensor

국문 초록 (Abstract)

웨어러블 기기의 활용이 확대되면서, 일상적으로 수집된 생체신호를 통해 자율신경계 상태, 스트레스 수준, 심혈관 건강을 분석하려는 연구가활발히 진행되고 있다. 본 연구는 웨어러블 센서에서 얻은 심박수와 걸음 수 데이터를 활용하여, 심박 변이도(Heart Rate Variability)의 주요 지표인RMSSD (Root Mean Square of Successive Differences)의 24시간 후 값을 예측하는 모델을 제안한다. 제주국제자유도시개발센터에서 제공한공공 웨어러블 데이터를 사용하였으며, 최종적으로 95명의 성인 데이터를 분석에 활용하였다. 심박수와 걸음 수로부터 다양한 통계적 파생 특성을도출하여 입력 변수를 구성하고, 14종의 기계학습 및 시계열 예측 알고리즘을 비교하였다. 분석 결과, 데이터 증강 이전에는 XGBoost 모델이RMSE 8.69, MAE 7.05의 성능을 보였으며, 증강 이후에는 Random Forest 모델이 RMSE 8.65, MAE 7.01로 가장 낮은 오차를 기록하였다. 본연구는 웨어러블 기반 생체신호를 활용하여 RMSSD의 미래 값을 효과적으로 예측할 수 있음을 보여주며, 개인 맞춤형 건강 관리 시스템 개발에기초적 근거를 제공한다.

다국어 초록 (Multilingual Abstract)

As the use of wearable devices continues to expand, research utilizing daily collected biosignals to assess autonomic nervous systemmn activity, stress levels, and cardiovascular health has been actively conducted. This study proposes a model to predict the 24-hour-aheadvalue of RMSSD (Root Mean Square of Successive Differences), a key indicator of HRV (Heart Rate Variability), using heart rate and stepcount data obtained from wearable sensors. Public wearable datasets provided by the Jeju Free International City Development Centerwere used, and data from 95 adult participants were included in the analysis. Various statistical features were derived from heart rateand step count signals to construct the input variables, and 14 machine learning and time-series forecasting algorithms were compared. The results showed that before data augmentation, the XGBoost model achieved an RMSE of 8.69 and an MAE of 7.05, while afteraugmentation, the Random Forest model yielded the lowest prediction error with an RMSE of 8.65 and an MAE of 7.01. These findingsdemonstrate that wearable-derived biosignals can be effectively used to predict future RMSSD values and provide a foundation fordeveloping personalized health management systems.