체중은 과체중과 비만을 측정할 수 있는 지표이며, 체중 증가는 2형 당뇨, 관상동맥질환, 고혈압(Hu, 2008), 담석증(Maclure et al., 1989), 몇 가지 암(Song et al., 2015)의 위험을 높이는 것과 관련 있는 것으로 알려져 있다. 미국 여성 92,837명과 남성 25,303명에 대한 코호트조사 결과를 보면, 청년기부터 중년기 사이(여성은 18세부터 55세, 남성은 21세부터 55세)의 체중 변화가 55세 이후 각종 만성질환의 발병과 밀접한 관련이 있음을 알 수 있다(Zheng et al., 2017). 체중이 증가할수록 제2형 당뇨, 고혈압, 심혈관질환, 비만 관련 암, 담석증, 심각한 골관절염, 백내장 등 각종 만성질환의 발생 위험이 커졌다. 특히 제2형 당뇨의 경우 기준집단(체중 2.5kg 감소에서 2.5kg 증가 사이)에 비해 20kg 이상 체중이 증가한 집단에서 여성의 경우 10.51배, 남성의 경우 7.75배 위험이 증가하는 것으로 나타나며 다른 만성질환에 비해 체중 증가에 따른 발병 위험도가 크게 증가하였다.

이에 본 연구에서는 개인의 건강을 나타내는 종속변수를 체중으로 설정하였다. 그러나, 같은 체중이라도 신장 차이에 따라 적정 체중인지가 달라지기 때문에 체중 대신 체질량지수(Body Mass Index, BMI)를 종속변수로써 사용하였다. BMI는 신장과 체중의 비율(BMI = Kg/㎡)을 사용하여 쉽게 계산될 수 있어 체지방량과 비만의 측도로 많이 사용되고 있으며, 선행 연구에서도 단순히 체중이 아니라 BMI를 활용하여 BMI와 만성질환 및 사망률과의 연관성을 확인하였고(Yiengprugsawan et al., 2014; Halim et al., 2019), 중년 남성의 건강 상태에 대해 예측 및 관리할 수 있는 지표로서 활용하였다(Wang et al., 2016; Stenholm et al., 2017).

통계적 방법론을 활용하여 수면 또는 걷기와 같은 라이프로그 데이터와 BMI의 상관관계 분석한 연구로서, 소아 및 청소년의 BMI Z점수와 수면 시간, 수면 효율성, 그리고 렘수면 비율 간의 유의미한 관련성을 도출한 연구(Liu et al., 2008), 대한민국 성인 수면 시간의 증가와 BMI의 감소와의 연관성 및 수면 시간과 비만과의 관련성을 도출한 연구(Park et al., 2007), 중년 여성 대상 8주간 걷기 운동 프로그램을 추적해 비만도별 걷기 운동이 체중, 근육량, BMI에 긍정적인 변화를 주는 것을 확인한 연구(Shin et al., 2016), 그리고 BMI에 대해 6분 걷기 테스트(6MWT)가 유의미한 효과를 보이는 것을 확인한 연구 (Donini et al., 2013; Correia et al., 2015) 등이 있다.

머신러닝을 활용해 BMI에 영향을 주는 변수 추출 및 모델 평가 관련 연구로서는, 소아 비만을 조기 발견할 수 있게 위험 요인을 추출하는 영국의 코호트 연구(Singh et al., 2020), 한방 비만 프로그램에 참여한 과체중 및 비만 성인 환자들의 체중 감량 예측 및 주요 변수 추출 관련 연구(Kim et al., 2020), 인도네시아 성인 비만의 위험 요소들을 탐색하고 이를 기반으로 비만 상태를 예측하는 연구(Thamrin et al., 2021), 심리적 변수를 설명변수로 사용하여 BMI 값과 BMI 상태를 예측하는 연구(Delnevo et al., 2021) 등이 있다.

회귀분석에서 모형에 입력할 독립변수들 사이에 다중공선성(multicollinearity)이 존재하는 경우 회귀계수들의 분산이 매우 커지게 되어 추정량으로서의 정도가 나쁘게 된다(Kim, 2010). 이러한 경우 작은 편의(bias)를 허용하여 회귀계수의 크기를 축소함으로써 회귀계수들의 분산을 작게 할 수 있는데, 릿지 회귀 모형(Ridge Regression)은 회귀계수의 크기에 패널티(penalty)를 부여함으로써 회귀계수를 축소하는 방법이다(Hoerl et al., 1970).

SVR의 손실 함수는 회귀계수 크기를 작게 하여 실제값과 예측값의 차이가 작은 회귀선을 찾는 것으로, 데이터에 노이즈가 있다고 가정하여 노이즈가 있는 실제 값을 완벽히 추정하는 것을 목표로 하지 않아, 적정 범위(2ε) 내에서의 실제값과 예측값의 차이를 허용하는 방식으로 계산한다(Drucker et al., 1997; Basak et al., 2007).

그래디언트 부스팅 머신(GBM) 알고리즘은 성능이 약한 모델(weak simple model) 여러 개를 손실 함수 상에서 경사 하강법 최적화 방식을 통해 기울기가 가장 큰 방향으로 점진적(greedy stagewise) 추가하는 앙상블 방법론 중 부스팅 계열에 속하는 알고리즘이며 회귀분석 또는 분류 분석을 수행할 수 있다(Natekin and Knoll, 2013). XGBoost는 그래디언트 부스팅 머신 중 하나로 지도 학습에 활용될 수 있다(Chen and Guestrin, 2016). 또한 GPU 병렬 처리가 가능하여 GBM 대비 빠르게 수행할 수 있는 장점이 있어 많이 활용되고 있다(Mitchell et al, 2018).

CatBoost 알고리즘은 모든 종류의 그래디언트 부스팅 머신에 존재하는 목표 누수(target leakage)로 인한 예측 변화(prediction shift) 문제와 높은 카디널리티(high cardinality)를 가진 범주형 변수에 대한 전처리 문제를 해결하기 위해 순서형 부스팅(Ordered Boosting) 알고리즘 활용하였다(Prokhorenkova et al., 2017). 순서형 부스팅은 ordering principle이라는 핵심 개념으로 이뤄졌는데, 이는 서로 비교할 수 없는 범주를 가진 범주형 변수들에 대해 높은 카디널리티를 가졌을 때 발생하는 이슈를 각 범주의 예상 목표값을 추정하는 목표 통계량(target statistics)별로 범주를 그룹화하는 방식에 그치지 않고, 학습 데이터에 무작위 순열(Random Permutation)을 적용해 인위적인 시간이라는 개념을 도입하여 효과적으로 과적합을 방지하는 방식이다.

설명 가능한 인공지능(XAI)은 사람들에게 이해 가능한 쉬운 언어로 예측된 결과에 대해 직관적인 설명을 제공하고, 알고리즘 동작을 정확하게 묘사하여 동작에 대한 예측을 할 수 있게 한다 (Gilpin et al., 2018). SHAP 기법은 게임 이론을 따르는 섀플리 값(Shapley Value)을 기반으로 예측에 대한 각 변수의 기여도를 계산하여 예측값을 설명하는 기법이다(Lundberg and Lee, 2017). 섀플리 값은 여러 변수의 조합을 구성한 뒤 중요도를 확인하려는 변수의 유무에 따른 평균 변화를 통해 해당 변수의 변수 중요도(feature importance)를 계산하여 얻을 수 있다(Fryer et al., 2021). SHAP 기법은 종속변수에 대한 해당 독립변수의 양(+)/음(-) 영향력을 확인할 수 있다는 장점이 있다.

본 연구에서는 2021년 2월부터 2021년 8월까지의 기간동안 ㈜지아이비타 앱(Vitameans)과 삼성 갤럭시 워치(Samsung Galaxy watch active2)를 통해 수집한 35세부터 59세까지의 중년 남성 사용자들의 수면, 걸음 및 체중 데이터를 사용하였다. 데이터 셋은 위의 기간에 수집된 사용자의 취침 시각, 기상 시각, 분 및 일별 걸음 수, 분 및 일별 걸은 거리, 분 및 일별 순간 속도 그리고 일별 체중 정보를 담고 있으며, 이는 일별 수면 데이터, 분별 수면 데이터, 일별 걸음 데이터, 분별 걸음 데이터, 그리고 일별 체중 데이터 각각 6,223개, 241,068개, 6,380개, 1,797,590개, 그리고 6,729개 행으로 구성되어 있다.

개인별 BMI의 변동성을 설명하는 최적의 변수를 찾기 위해 삼성 갤럭시 워치를 통해 수집된 일별 수면 데이터와 분별 수면 데이터를 이용해 일별 수면 총시간, 수면 효율성 등 여러 가지 파생변수를 생성하였다. 마찬가지로 일별 및 분별 걸음 데이터를 이용해 일별 총 걸음 수, 아침 시간대 평균 걸음 속도 등의 파생변수를 생성하였다. 또한, 사용자의 신장 등의 신체 데이터와 일별 체중 데이터를 걸음 및 수면 데이터와 측정날짜를 기준으로 통합하였다. 생성된 파생변수 및 사용한 변수는 <Table 1>과 같다.

본 연구에서 생성한 파생변수 55개를 모두 모델에 입력할 경우, 모델이 복잡해져 과적합의 우려가 있으므로(Ying, 2019) 중복변수를 제거하는 관련 Feature Selection을 수행 후 모델에 변수 입력을 진행하였다. Feature Selection을 위해 Wrapper 방식을 사용하였으며 그중에서도 VIF Stepwise Selection(Van Breugel et al., 2016; Akinwande et al., 2015; Głąb et al., 2015)을 사용했다. 본 논문에서 사용된 예측 모델은 변수 간 다중공선성에 큰 영향을 받지 않으나 <Table 1>에서 사용된 55개의 입력변수 모두 사용은 과적합 우려 문제 외에도, 비슷한 해석 또는 역할을 하는 변수들이 중복되게 상위 주요 변수를 차지하는 이슈가 발생하였다. 따라서 BMI에 대한 해석에 있어, 변수 간의 강한 상관관계로 비슷한 역할을 하는 변수를 일부 제거하기 위해 VIF(Variance Inflation Factor) 값이 큰 변수를 찾아 제거하기로 하였다. VIF > 15일 경우, 해당 변수는 설명변수에서 빠져도 나머지 변수들이 종속변수를 90% 이상 설명할 수 있기에, 각 변수에 대한 VIF를 확인하여 15 이상의 높은 다중공선성을 가진 변수들을 차례로 제외하였다. 이때, 일반적으로 VIF 기준값을 10으로 선택하나(Vittinghoff et al., 2012), 본 연구에서 VIF 값의 기준을 15로 택한 이유는 선행 연구에서(Ekelund et al., 2015) ‘연속해서 20분 이상 걸은 시간’과 ‘횟수’가 BMI 및 건강에 중요한 변수로 작용한 것을 참고하여 이 두 변수를 제거하지 않고 유지하기 위함이다. <Table 2>는 15 이상의 VIF 값을 가진 변수를 제외하고 남은 변수들의 종류이다.

본 연구는 전처리 및 변수 선택(Feature Selection)을 통해 얻은 최종적인 변수를 네 가지 모델(Ridge 회귀모델, SVR 모델, XGBoost 모델, CatBoost 모델)로 학습하였다. 모델 생성 및 학습 단계에서 train set과 test set를 8:2로 나누어서 학습하였으며, 보다 정확한 검증을 위해 5-fold cross validation을 사용하였다. 더불어, 과적합이 생기지 않게 early_stopping과 하이퍼파라미터 값을 유의하면서 조정하였다. <Figure 1>은 데이터 모델링의 전체적인 흐름을 나타낸다(Oh et al., 2021). 본 연구에서는 하이퍼파라미터 값의 최적값을 찾는 방법으로 GridSearch와 성능은 비슷하지만 속도가 빠른 베이지안 최적화의 접근 방식인 Hyperopt(Bergstra et al., 2013)를 활용하였으며, Hyperopt 검색 공간의 옵션으로는 hp.uniform과 hp.quniform(Putatunda and Kiran, 2018)를 사용하였다. 또한, 하이퍼파라미터의 범위를 설정하는 데에는 선행 연구를 참고하였다(SVR: Crone et al., 2006; Parveen et al., 2016;, XGBoost: Ogunleye and Wang, 2020; Ryu et al., 2020;, CatBoost: Bassi et al., 2021; Zhou et al., 2021).

Figure 1. 
Flow Chart of the BMI Prediction Modeling

데이터에 5-fold cross validation 적용한 후, Hyperopt로 구한 각 모델의 최적 하이퍼파라미터 값을 <Table 3>에 정리하였고, 최적의 하이퍼파라미터를 적용한 각 모델의 성능지표는 <Table 4>에 정리하였다.

모델링을 완료한 머신러닝 모델을 사용하여 데이터를 학습한 결과, 네 가지 모델 모두 공통으로 신장 변수의 중요도가 매우 높은 것으로 나타났다(<Figure 2> 참고). 따라서, 신장을 기준으로 군집을 나누어 분석하였다. 통계청 및 기존 연구에 따르면, 우리나라 남성의 30대, 40대, 50대의 평균 키는 각각 174.05cm, 172.15cm, 169.39cm(National Health Insurance Service, 2021)로 평균 신장을 기준으로 각각 군집 1인 165cm~170cm, 군집 2인 170cm~175cm, 그리고 평균 신장과 조금 거리가 있는 175cm~180cm을 군집 3으로 나눠 군집 간 특징에 대해 분석을 하였다.

Figure 2. 
Feature Importance Calculated by the SHAP Method