이 논문은 건강한 사람들을 대상으로 웨어러블 기기에서 수집된 생체 신호만을 이용하여 혈당(정확히는 간질액 포도당, IG)을 예측하는 딥러닝 모델들을 비교 분석한 파일럿 연구입니다. 연구진은 음식 기록이나 운동 정보 같은 번거로운 추가 데이터 없이, 순수하게 센서 데이터만으로 BiLSTM 모델을 사용했을 때 가장 우수한 예측 성능(RMSE 13.42 mg/dL)을 보였다는 점을 밝혀냈습니다. 이는 채혈 없이도 일상생활에서 편리하게 혈당을 모니터링할 수 있는 기술의 가능성을 열어주었습니다.
1. 서론: 왜 피를 뽑지 않고 혈당을 재야 할까?
당뇨병 관리나 건강 관리를 위해 혈당을 측정하는 것은 매우 중요합니다. 하지만 지금까지의 방법들은 꽤나 고통스럽거나 불편했죠. 손가락을 바늘로 찌르는 방식(FSGM)이나 피부 아래에 바늘 센서를 심는 연속혈당측정기(CGM)는 모두 신체에 침습적이고, 주기적으로 기기를 교체해야 하는 번거로움이 있었습니다.
그래서 연구자들은 스마트워치 같은 웨어러블 기기를 통해 침습적인 절차 없이 혈당을 예측하는 방법에 주목하기 시작했습니다. 하지만 센서에서 나오는 원시 데이터(Raw data)만으로는 혈당을 바로 알기 어렵기 때문에, 인간의 뇌처럼 데이터를 학습하는 머신러닝(ML)과 딥러닝(DL) 기술이 필요하게 되었죠.
기존 연구들은 식사 기록이나 수면 데이터 같은 추가 정보를 많이 요구했습니다. 이는 사용자 입장에서 매번 기록해야 하니 매우 귀찮은 일이죠. 반면, 이 연구는 오직 센서 데이터만으로 스스로 특징을 학습하는 Feature Learning(FL) 전략을 사용하여, 건강한 사람들이 일상에서 훨씬 편하게 혈당을 관리할 수 있는 가능성을 탐구했습니다.
이 연구는 대조적으로, 침습적인 방법을 비침습적인 방법으로 전환함으로써 건강한 개인을 위한 비침습적 포도당 모니터링을 잠재적으로 제공할 수 있는 특징 학습(FL) 전략을 비교합니다.
2. 연구 방법: 데이터 수집부터 모델 설계까지
2.1 데이터 수집 과정
연구진은 먼저 건강한 참가자들을 모집했습니다. 임신 중이거나 만성 질환이 있는 사람은 제외하고, 총 34명의 데이터를 1차로 수집한 뒤, 그중 5명(여성 3명, 남성 2명)을 선발하여 2차 연구를 진행했습니다. 이 5명은 10일 동안 일상생활을 하면서 데이터를 수집했습니다. 이때 특별한 식단 제한은 없었고 평소처럼 생활하되, 운동 전후나 식사 간격 등의 기본적인 규칙만 지키도록 했습니다.
2.2 사용된 센서와 측정 지표
데이터 수집을 위해 두 가지 핵심 기기가 사용되었습니다.
- Abbott Freestyle Libre: 팔 윗부분에 부착하여 실제 간질액 포도당(IG) 수치를 측정합니다. (정답지 역할)
- Empatica E4: 손목에 착용하는 연구용 웨어러블 기기로, 다양한 생체 신호를 수집합니다. (문제지 역할)
Empatica E4가 수집한 4가지 주요 센서 데이터는 다음과 같습니다:
- BVP (혈액량 펄스): 광학 센서를 이용해 혈관의 혈액량 변화를 측정합니다.
- HR (심박수): BVP 데이터를 기반으로 심박수와 심박 변이도(HRV)를 추정합니다. 이는 혈당 변화와 밀접한 관련이 있습니다.
- TEMP (피부 온도): 대사 활동이나 주변 환경에 따라 변하는 피부 온도를 측정합니다.
- EDA (피부 전기 활동): 스트레스나 정서적 반응에 따라 변하는 피부의 전기 전도도를 측정합니다.
2.3 딥러닝 모델 라인업
연구진은 혈당 예측을 위해 네 가지의 서로 다른 딥러닝 모델을 설계하고 경쟁시켰습니다.
- CNN (합성곱 신경망): 주로 이미지 처리에 쓰이지만, 여기서는 시계열 데이터의 특징을 추출하는 데 사용했습니다.
- LTF (경량화 트랜스포머): 데이터 간의 연관성을 파악하는 '어텐션 메커니즘'을 사용하되, 무거운 연산량을 줄여 웨어러블 환경에 맞게 최적화한 모델입니다.
- LSTM-A (어텐션이 추가된 LSTM): 시계열 데이터 처리에 강한 LSTM에 중요한 부분에 집중하는 어텐션 기능을 더했습니다.
- BiLSTM (양방향 LSTM): 데이터를 과거에서 미래로, 미래에서 과거로 양방향으로 훑으며 문맥을 더 잘 파악하는 모델입니다.
3. 실험 및 결과 분석
연구진은 수집된 센서 데이터를 4Hz로 맞추고, 5분 단위의 윈도우로 쪼개어 모델들을 학습시켰습니다. 성능 평가는 RMSE(평균 제곱근 오차)와 CEGA(클라크 오류 격자 분석) 등을 사용했습니다. 여기서 CEGA는 예측값이 임상적으로 얼마나 안전한지를 평가하는 지표로, A구역에 가까울수록 정확하고 안전하다는 뜻입니다.
3.1 모델들의 성적표 📊
실험 결과, 모델별로 성능 차이가 확연했습니다.
- CNN: 가장 저조한 성적을 보였습니다. RMSE가 18.54 mg/dL로 가장 높았고, 위험할 수 있는 D구역의 비율도 13.23%나 되었습니다.
- LTF & LSTM-A: 중간 정도의 성적을 거두었습니다. 어텐션 메커니즘 덕분에 CNN보다는 나았지만 최고는 아니었습니다.
- BiLSTM (우승! 🏆): RMSE 13.42 mg/dL로 가장 뛰어난 예측 정확도를 보여주었습니다. CEGA 분석에서도 안전한 A구역과 B구역의 합이 가장 높았고, 위험 구역인 D구역은 3.01%에 불과했습니다.
3.2 어떤 센서 조합이 최고일까? (Ablation Test)
연구진은 "혹시 센서 하나만 있어도 되지 않을까?"라는 궁금증을 해결하기 위해 센서를 하나씩 빼거나 조합해 보는 테스트를 진행했습니다. 결과는 흥미로웠습니다. 단일 센서만 사용했을 때는 예측 성능이 형편없었습니다. 하지만 여러 센서(EDA, TEMP, BVP, HR)를 모두 함께 사용했을 때, 서로 간의 복잡한 상관관계를 보완하며 가장 높은 정확도를 기록했습니다.
4. 고찰: 이 연구가 가지는 의미
이 연구가 특히 인상적인 점은 "식사 기록 없이" 혈당을 예측했다는 것입니다. 기존 연구들은 사용자가 밥을 언제 먹었는지, 운동을 언제 했는지 입력해야만 좋은 결과를 얻을 수 있었습니다. 하지만 이 연구의 BiLSTM 모델은 오직 손목에서 얻은 생체 신호만으로 혈당의 흐름을 읽어냈습니다.
대조적으로, 우리의 제안된 IG(간질액 포도당) 모델은 음식 로그나 운동 정보를 필요로 하지 않고 오직 웨어러블 센서 데이터만을 사용합니다.
4.1 왜 BiLSTM이 1등을 했을까?
BiLSTM은 시간의 흐름에 따른 데이터(시계열 데이터)를 양방향으로 분석하는 능력이 탁월했습니다. 덕분에 혈당이 급격하게 오르거나 내리는 '스파이크' 구간을 다른 모델보다 훨씬 잘 잡아냈습니다. 반면 CNN은 평균적인 값은 맞췄지만 극단적인 변화를 따라가지 못했고, 트랜스포머(LTF)는 데이터가 적은 환경에서 제 실력을 발휘하기 어려웠습니다.
4.2 한계점과 앞으로의 과제
물론 완벽한 것은 아닙니다. 데이터셋의 크기가 작았고, 학습에 사용된 기기의 성능 한계로 인해 예측 윈도우를 5분으로 짧게 설정해야 했습니다. 또한 건강한 사람들만을 대상으로 했기 때문에, 실제 당뇨병 환자들의 극단적인 혈당 변화를 예측하는 데는 추가적인 검증이 필요합니다.
5. 결론 및 마무리
이 연구는 우리가 매일 차고 다니는 스마트워치의 센서 데이터만으로도 건강한 사람의 혈당 변화를 꽤 정확하게 예측할 수 있다는 것을 보여주었습니다. 특히 BiLSTM 모델과 다중 센서 데이터의 조합이 가장 효과적이었습니다.
이 기술이 더 발전한다면, 2026년 현재 혹은 가까운 미래에는 아프게 바늘로 찌르거나 귀찮게 식사 일기를 쓰지 않아도, 손목 위의 시계가 "지금 혈당이 좀 높네요, 산책 좀 하세요!"라고 알려주는 날이 올 것입니다. 비침습적 혈당 관리의 미래가 한층 더 가까워진 느낌이네요! ✨