[논문 리뷰] Assessing Sleep Quality Using Mobile EMAs: Opportunities, Practical Consideration, and Challenges

Abstract

• 일상적인 수면 질을 평가하기 위해 EMAs 데이터를 포함하는 지표를 제안
  • 복잡한 생활 방식 맥락을 정량적으로 포함
  • 우리는 스마트폰을 사용하여 4주간의 데이터 수집 실험을 통해 실제 생활 데이터를 수집.
  • 우리는 자가 보고 데이터를 사용하여 지리적, 사회적 습관, 사회적 조건, 활동 수준 및 감정 상태를 반영하는 일일 지표를 생성하는 방법을 개발
  • 우리는 기존의 수면 설문지에서 EMAs를 사용하여 특징을 구성하는 지표를 보완할 수 있는지 여부를 평가
• 분석 목표
  • 인식된 수면의 질을 설명하는 다섯 가지 수면 질 지표로 구성
• 분석 결과
  • 일일 지표와 수면 설문지를 모두 사용한 특징이 수면 질 예측에 더 나은 결과를 초래
  • 모바일 기기와 EMAs를 통해 복잡한 인간 행동을 식별하는 지표를 생성할 가능성
  • 사용자 친화적인 데이터 수집 방법과 더 다양한 생활 방식 정보에 대한 연구는 웰빙 서비스와 전문 의료 분야에서 더 나은 수면을 위한 행동 결정을 지원하는 데 유용

---

I. INTRODUCTION

• 우리는 스마트폰 앱을 사용하여 자가 보고 데이터를 수집하고, 복잡한 생활 방식을 반영한 일일 지표를 추출하는 방법을 제안했으며, 이전 연구에서 사용된 도메인 지식 기반 특징도 추출
• 예측 목표: 주관적인 수면 질, 수면 방해, 꿈 문제, 수면 후 느낌, 수면 후 신체 상태의 다섯 가지 수면 질 지표로 구성
• Contribution
  • 1) 우리는 실험 환경에서 얻은 데이터가 아닌 실제 생활의 EMA 데이터를 수집하여 결과를 도출했습니다.
    • 여기서 '실제 생활'이란 인위적으로 구성된 환경이 아닌 자연스러운 맥락에서 얻은 정보를 의미
  • 2) 우리는 인간의 기억에 의존하지 않고 개인의 생활 방식에 대한 신뢰할 수 있고 복잡한 정보를 생성하는 방법을 개발
  • 3) 우리는 수면에 중요한 영향을 미치는 개인의 생활 방식 지표를 탐구하여 더 나은 수면을 위한 생활 방식을 개선할 수 있는 방법을 제안

---

II. PREVIOUS STUDIES AND BACKGROUND

A. SLEEP QUALITY AND BEHAVIORAL DATA

• 수면과 관련된 생활 습관 요인을 더 잘 이해하기 위한 기술적 연구
  • 한계: 이전 연구들의 결과는 일상적인 맥락 정보, 예를 들어 작업 강도, 사회적 조건, 낯선 장소 방문 등과 같은 다양한 원인들이 수면에 미치는 영향에 대한 연구가 거의 없음
  • 예를 들어, 운동의 유용성이나 금연의 유용성을 시사하는 이전 연구들의 결과에도 불구하고, 이러한 연구들은 개인의 수면에 영향을 미치는 다양한 원인들에 대한 통찰력을 거의 제공하지 않습니다

⇒ 우리는 일상적인 패턴을 반영하는 지표를 제안

B. SLEEP QUALITY PREDICTION USING MOBILE DEVICES

• EMAs는 보조 회상을 통해 수정되어 의료 분야에서 활용되었습니다 [8]. 예를 들어, 맞춤형 양압 치료 및 행동 변화 전략을 제안하기 위해 수면/신체 활동 패턴을 식별하는 증거 기반 스마트폰 애플리케이션이 개발
• 이 연구는 환자들을 대상으로 60일간의 실험을 진행하고 손목밴드를 통해 신체 데이터를 수집하여 맞춤형 치료와 행동 전략의 효과를 테스트

---

III. DATA COLLECTION (데이터 수집)

A. BEHAVIOR CONTEXT LABEL DESIGN

• time use survey
  • 아침 식사: 07:00–09:29,점심: 12:00–14:29,저녁: 18:30–20:59,
  • 밤: 21:00–23:29.
  • 오후: 14:30–18:29,
  • 오전: 09:30–11:59,
• 한국 시간 사용 기준과 호환되는 행동 분류 시스템을 적용
  • 행동, 장소, 교통수단 항목을 구성할 때, 2014년 한국 통계청에서 사용한 시간 사용 조사에서 정의된 분류 시스템과 의미를 적용
  • 사회적 상호작 용 항목의 경우, 실험 참가자들의 편의를 위해 별도의 시스템을 사용하여 기록
  • 수면의 질과 관련된 행동을 반영하기 위해 감정 및 위치에 관한 항목을 추가

B. SLEEP LABEL DESIGN FROM SLEEP QUESTIONNAIRE

• 아침 설문지
  • Pittsburgh Sleep Quality Index(PSQI)에서 얻은 질문을 사용하여 주관적으로 평가된 수면의 질을 측정
  • 아침 수면 설문 항목은 주관적 수면의 질, 수면 장애, 꿈 문제, 수면 후 느낌, 수면 후 신체 상태의 다섯 가지로 구성됩니다. 이러한 항목들은 본 연구의 예측 목표
• 밤 설문지
  • 수면 위생 행동을 측정했으며 [36], 이는 수면 장애에 대한 행동 치료와 관련된 항목으로 사용
  • 수면 일지 [13]를 사용하여 수면에 영향을 미치는 것으로 알려진 행동에 대한 데이터를 수집

⇒ 본 연구에서 사용된 수면 설문지는 기억과 관련된 왜곡을 최소화하기 위해 매일 아침과 저녁에 응답을 요청

 

C. EMAs DATA COLLECTING APP DEVELOPMENT

전부 그냥 etri 데이터셋 세팅관련

 

D. DATA COLLECTION EXPERIMENT AND DATA STATISTICS

• 총30명 14일간 데이터 수집
• 1번째 데이터수집 실험(2018.10.31~)
  • 15명의 피험자를 대상으로 2주 동안 진행
• 2번째 데이터수집 실험(2018.11.15~)
  • 15명의 피험자를 대상으로 2주 동안 진행

⇒ 실험 기간 동안 각 참가자는 특정 이벤트가 발생할 때마다 자신의 활동과 상황에 관한 다중 선택 항목에 최소 12시간 동안 답변

⇒ 매일 아침, 참가자들은 수면의 질을 평가하는 다섯 가지 항목에 대한 설문지를 작성했으며, 저녁에는 일일 기분, 스트레스 수준 등과 관련된 설문지를 작성(14일 동안 반복된 일일 실험 절차)

1. 아침에 일어나 스마트폰 앱으로 아침 수면 설문지 작성;
2. 스마트폰 앱으로 행동 맥락 레이블 기록 시작;
3. 최소 12시간 동안 행동 맥락 레이블 입력;
4. 행동 맥락 레이블 입력 종료;
5. 스마트폰 앱으로 수면 설문지 작성 후 취침.

• 두 번의 실험 기간 동안 14일 동안 30명의 참가자는 총 6,081개의 행동 맥락 레이블을 입력
• 분석을 수행할 때 수면 정보가 없는 데이터는 삭제되었으며,

214명의 참가자 일수(전체 30*14-불필요 데이터)에 대해 입력된 1,458개의 행동 맥락 레이블과

30명이 작성한 214개의 아침 및 저녁 수면 설문지를 사용하여 분석에 필요한 특징을 생성

 

---

IV. PROPOSED METHOD AND DATA PREPARATION

A. RESEARCH FRAMEWORK

[1] 일일 지수, 도메인 지식 기반(DKB) 특징

• 일일지수
  • 사용자의 값 분포를 기준으로 세 가지 수준의 리커트 척도로 범주형 변수로 스케일링
  • 일상 루틴 특징은 행동 컨텍스트 레이블을 전처리하여 일상성 지수를 계산하여 생성되며, 이는 일일 지수 중 하나
  • 그런 다음 행동, 장소 및 감정 항목을 사용하여 다른 일일 지수를 생성
• DKB 특징
  • 일일 지수 수준과 맞추기 위해 세 가지 수준의 리커트 척도로 조정된 야간 설문지에서 추출

[2] 일일 지수와 DKB 특징을 평가⇒ 다섯 가지 모델 설정

수면의 질을 예측하는 데 있어서 일일 지수의 중요성과 사용된 개별 특징의 중요성을 조사

• DKB 특징 모델
  • 행동 사건이 발생한 직후에 데이터를 수집하는 방법의 예측력을 평가하기 위한 기준 모델로 설정
  • 기억 기반 설문지X
• 일일 지수 모델
  • 일일 지수는 심리적, 행동적, 위치 및 사회적 루틴을 고려하여 라이프스타일의 복잡성을 반영하려고 함
  • 전문가 지식을 제외하고 데이터 분석을 통해 얻은 특징만을 고려
• 모든 특징 모델
  • 모든 특징 모델은 DKB 특징과 일일 지수를 모두 포함
• 중요한 특징 모델
  • 특징 중요도에 따라 특징 수를 줄여서 얻은 모델을 검토하여 일일 지수와 DKB 특징의 중요성을 비교
  • 의사 결정 트리와 랜덤 포레스트 분류기의 경우, 모든 특징의 중요도 값을 내림차순으로 정렬하고 누적 합계가 0.8인 특징을 모델에 포함
  • 로지스틱 회귀를 적용할 때는 p-값이 0.05 이하인 특징을 선택
• 라이프스타일 요소 모델
  • 결과를 더 직관적으로 이해할 수 있게 하려는 시도
  • 요인 분석을 적용하여 DKB 특징과 일일 지수의 차원을 줄여 라이프스타일 요소 모델을 구성
  • "요인 가능성" 평가
    • Bartlett의 구형성 검정과 Kaiser-Meyer-Olkin (KMO) 검정을 통해 요인 가능성 또는 샘플링 적합성을 평가
      • Bartlett 검정의 p-값은 0이고 데이터의 전체 KMO 결과는 0.68로, 요인 분석이 우리의 데이터셋에 적절하게 적용될 수 있음